面向6G无线网络中机器学习应用的隐式信道学习
信号处理
2022-06-27 v1 人工智能
信息论
机器学习
math.IT
摘要
随着第五代(5G)无线系统在全球部署势头渐强,6G的可能技术正处于积极的研究讨论中。特别是,机器学习(ML)在6G中的作用有望增强并辅助虚拟现实、增强现实、车辆自主性与计算机视觉等新兴应用。这将导致无线数据流量中很大一部分由图像、视频和语音构成。ML算法通过位于云服务器上的学习模型对这些数据进行分类/识别/估计处理。这需要将数据从边缘设备无线传输至云服务器。信道估计与识别步骤分开处理,对准确的机器学习性能至关重要。为将信道与ML数据的学习相结合,我们提出隐式信道学习,在不估计无线信道的情况下执行ML任务。此处,ML模型使用信道受损数据集替代标称数据进行训练。在无信道估计的情况下,所提方法在毫米波和IEEE 802.11p车载信道等多种场景的图像与语音分类任务中展现出约60%的性能提升。
引用
@article{arxiv.2206.12127,
title = {Implicit Channel Learning for Machine Learning Applications in 6G Wireless Networks},
author = {Ahmet M. Elbir and Wei Shi and Kumar Vijay Mishra and Anastasios K. Papazafeiropoulos and Symeon Chatzinotas},
journal= {arXiv preprint arXiv:2206.12127},
year = {2022}
}
备注
7Pages, submitted to IEEE