神经 CSI 压缩微调：驯服模型更新的通信开销
信息论
2026-05-19 v3 信号处理
math.IT
摘要
高效的信道状态信息（CSI）压缩是频分双工（FDD）大规模多输入多输出（MIMO）系统中的关键技术，因反馈开销巨大。最近的深度学习压缩技术在 CSI 反馈方面显示出优异性能。然而，这些技术在无线环境分布发生变化时性能常会下降，主要due于其泛化能力有限。为解决这一挑战，我们考虑一种完整模型微调方案，即利用来自目标环境中少量最新 CSI 样本，对编码器和解码器进行联合更新。此设置下的关键挑战在于将更新后的解码器参数传输到接收方，这会引入额外的通信开销。为缓解这一瓶颈，我们将模型更新的比特率显式纳入微调目标，并对模型更新与压缩后的 CSI 进行熵编码。此外，我们采用结构化先验，促进稀疏和选择性参数更新，从而显著降低模型更新的通信成本。跨多个 CSI 数据集的仿真结果表明，完整模型微调虽然增加了模型更新成本，但显著改善了神经 CSI 压缩的速率-失真性能。我们进一步分析了评估时域、模型更新的量化分辨率以及目标域数据集大小对整体反馈效率的影响。
引用
@article{arxiv.2501.18250,
title = {Neural CSI Compression Fine-Tuning: Taming the Communication Cost of Model Updates},
author = {Mehdi Sattari and Deniz Gündüz and Tommy Svensson},
journal= {arXiv preprint arXiv:2501.18250},
year = {2026}
}