基于状态空间模型的无蜂窝大规模MIMO系统中上下文学习均衡
信号处理
2024-11-01 v1
摘要
序列模型已展现出通过自动适应当前信道条件来执行信道均衡和符号检测等任务的能力。这无需任何显式优化，且不仅利用短导频序列，还利用长期信道统计等上下文信息。自动适应的底层运行原理是上下文学习（ICL），这是序列模型的一种新兴特性。现有技术采用基于Transformer的序列模型，但由于批处理，其计算复杂度随上下文长度呈二次方增长。最近，状态空间模型（SSM）已成为一种更高效的替代方案，在上下文大小上提供线性推理复杂度。本工作探索了SSM在无蜂窝大规模MIMO系统中基于ICL的均衡的潜力。结果表明，选择性SSM实现了与基于Transformer的模型相当的性能，同时所需的参数量约减少八倍，浮点运算次数约减少五倍。
引用
@article{arxiv.2410.23882,
title = {In-Context Learned Equalization in Cell-Free Massive MIMO via State-Space Models},
author = {Zihang Song and Matteo Zecchin and Bipin Rajendran and Osvaldo Simeone},
journal= {arXiv preprint arXiv:2410.23882},
year = {2024}
}