用于太赫兹宽带信道与到达角估计的联邦多任务学习
信号处理
2022-10-28 v3 人工智能
信息论
机器学习
math.IT
摘要
本文解决太赫兹(THz)信道估计中的两个主要挑战:波束分裂现象(即由于频率无关模拟波束成形器导致的波束失准),以及因使用超大规模天线数量以补偿传播损耗带来的计算复杂度。数据驱动技术已知可缓解该问题的复杂度,但通常需要将用户的数据集传输至中心服务器,带来巨大的通信开销。本工作中,我们引入联邦多任务学习(FMTL),其中用户仅传输模型参数而非整个数据集,用于 THz 信道与用户到达角(DoA)估计,以提升通信效率。我们首先提出一种新颖的波束空间支撑对齐技术用于带波束分裂校正的信道估计。随后,信道与 DoA 信息被用作标签来训练一个 FMTL 模型。通过利用 THz 信道的稀疏性,所提方法较传统技术使用更少的导频信号实现。与以往工作相比,我们的 FMTL 方法提供了更高的信道估计精度,以及分别约 25(32)倍更低的模型(信道)训练开销。
引用
@article{arxiv.2207.06017,
title = {Federated Multi-Task Learning for THz Wideband Channel and DoA Estimation},
author = {Ahmet M. Elbir and Wei Shi and Kumar Vijay Mishra and Symeon Chatzinotas},
journal= {arXiv preprint arXiv:2207.06017},
year = {2022}
}
备注
submitted to an IEEE journal