GCEPNet：基于图卷积增强的期望传播算法用于大规模 MIMO 检测
机器学习
2024-09-06 v2
摘要
大规模 MIMO (多输入多输出) 检测是无线通信中的重要议题，近年来已开发出各种基于机器学习的方法。期望传播 (EP) 及其变体在 MIMO 检测中广泛应用且取得了最佳性能。然而，EP 基于的求解器未能捕获未知变量之间的相关性，导致信息丢失，此外计算成本也较高。本文表明，实值系统可建模为图上的谱信号卷积，从而捕获未知变量之间的相关性。基于此分析，我们提出了图卷积增强的期望传播 (GCEPNet)。GCEPNet 将数据依赖注意力得分纳入切比雪夫多项式，以实现强大的图卷积并具备更好的泛化能力。它使 EP 的腔分布估计更佳，实证实现了速度更快且检测性能达到最先进 (SOTA) 的 MIMO 检测。我们在此知识上首次揭示了系统模型与图卷积之间的联系，也首次设计了数据依赖系数用于图卷积。
引用
@article{arxiv.2404.14886,
title = {GCEPNet: Graph Convolution-Enhanced Expectation Propagation for Massive MIMO Detection},
author = {Qincheng Lu and Sitao Luan and Xiao-Wen Chang},
journal= {arXiv preprint arXiv:2404.14886},
year = {2024}
}
备注
In IEEE GLOBECOM 2024 Conference Proceedings