面向端到端通信的少样本域自适应

使用自动编码器——由神经网络建模的编码器、信道和解码器组成——端到端学习通信系统的课题近来已被证明是一种有效方法。该学习方法在实际采用中面临的一个挑战是，在信道条件变化（例如无线链路）下，它需要频繁重新训练自动编码器以维持较低的解码错误率。由于重新训练既耗时又需要大量样本，在信道分布快速变化时变得不切实际。我们提出使用一种快速且样本高效（少样本）的域自适应方法来解决该问题，该方法不改变编码器和解码器网络。不同于训练时的常规无监督或半监督域自适应，此处我们有一个来自源分布的已训练自动编码器，希望在测试时仅使用少量有标签数据集且无无标签数据将其自适应到目标分布。我们聚焦于基于高斯混合密度网络（MDN）的生成式信道模型，并提出使用一组仿射变换对 MDN 进行正则化、参数高效的自适应。学习到的仿射变换随后被用于设计解码器输入处的最优变换，以补偿分布偏移，并有效地向解码器呈现接近源分布的输入。在无线环境中常见的许多模拟分布变化以及真实 mmWave FPGA 测试台上的实验证明了我们的方法在使用极少目标域样本进行自适应时的有效性。我们的工作代码可在：https://github.com/jayaram-r/domain-adaptation-autoencoder 找到。