面向中继信道的学习型压缩转发方案
摘要
中继信道由源端-目的端对以及中继端组成，是合作通信的基本组件。虽然一般中继信道的容量尚未知晓，但 various中继策略，包括压缩转发（CF），已被提出。在CF中，中继端转发其接收信号的量化版本。鉴于中继端和目的端之间存在相关信号，可利用Wyner-Ziv编码等分布式压缩技术，更有效地利用中继-目的端链路。借助最近在神经网络基于分布式压缩方面的进展，我们重新审视了中继信道问题，并将一个学习任务感知的Wyner-Ziv压缩器集成到一个具有有限容量的带外中继-目的端链路的原始中继信道中。 resulting的神经CF方案表明，压缩器恢复了量化指数在中继端的分箱，模仿了最优渐进CF策略，尽管设计中未纳入任何利用源统计信息结构。 proposed的神经CF方案，采用有限阶调制，运行得非常接近原始中继信道中高斯信 codebook所达到的速率。我们通过各种神经CF架构展示了利用目的端相关信号进行中继压缩优势，这些架构涉及压缩器和调制器组件的端到端训练。我们的学习任务导向压缩器为可解释且实用的神经CF中继方案提供了首个概念验证工作。
关键词
引用
@article{arxiv.2405.09534,
title = {Learning-Based Compress-and-Forward Schemes for the Relay Channel},
author = {Ezgi Ozyilkan and Fabrizio Carpi and Siddharth Garg and Elza Erkip},
journal= {arXiv preprint arXiv:2405.09534},
year = {2025}
}
备注
accepted for publication at IEEE Journal on Communications (JSAC), for a special issue titled "Rethinking the Information Identification, Representation, and Transmission Pipeline: New Approaches to Data Compression and Communication". arXiv admin note: substantial text overlap with arXiv:2404.14594