面向常规与 RIS 辅助大规模 MIMO 信道估计的联邦学习
信号处理
2021-11-16 v2 信息论
机器学习
math.IT
摘要
机器学习（ML）因其低复杂度和鲁棒性，在物理层设计问题（如信道估计）中引起了极大的研究兴趣。通过 ML 进行信道估计需要在数据集上训练模型，该数据集通常包含接收到的导频信号作为输入和信道数据作为输出。在先前的工作中，模型训练大多通过集中式学习（CL）完成，其中整个训练数据集在基站（BS）处从用户收集。这种方法为数据收集引入了巨大的通信开销。在本文中，为应对这一挑战，我们提出了一种用于信道估计的联邦学习（FL）框架。我们设计了一个在用户本地数据集上训练的卷积神经网络（CNN），而无需将其发送到 BS。我们为常规和 RIS（智能反射面）辅助大规模 MIMO（多输入多输出）系统开发了基于 FL 的信道估计方案，其中为两种场景的两种不同数据集训练单个 CNN。我们评估了噪声和量化模型传输下的性能，并表明所提出的方法比 CL 提供约 16 倍的更低开销，同时保持接近 CL 的满意性能。此外，所提出的架构比最先进的基于 ML 的方案表现出更低的估计误差。
引用
@article{arxiv.2008.10846,
title = {Federated Learning for Channel Estimation in Conventional and RIS-Assisted Massive MIMO},
author = {Ahmet M. Elbir and Sinem Coleri},
journal= {arXiv preprint arXiv:2008.10846},
year = {2021}
}
备注
Accepted paper in IEEE Transactions on Wireless Communications