面向跨任务无线通信的模块化PE结构学习

近年来，学习无线策略的趋势试图开发深度神经网络（DNN）来处理单个模型中的多个任务。现有方法往往依赖大型模型，这些模型在无线边缘设备上难以预训练和微调。本文通过利用无线问题的结构知识——具体而言是置换等变（PE）属性——来挑战这一范式。我们设计了三种类型的PE感知模块，其中两种是Transformer风格的子层。这些模块可以作为构建块来组装适用于各种PE属性的无线策略的紧凑型DNN。为指导设计，我们分析了每个PE属性相关联的假设空间，表明PE结构模块组装可以提升学习效率。灵感来自模块的可重用性，我们提出了PE-MoFormer，一种能够学习广泛无线策略的组合式DNN——包括但不限于预编码、协调波束成形、功率分配和信道估计——具有强大的通用性、低样本和空间复杂度。仿真结果表明，所提出的模块化PE基框架在学习效率和推理时间方面均优于相关大型模型，为无线通信的结构化跨任务学习提供了新的方向。