面向动态端到端物理层优化的在线元学习信道自动编码器
机器学习
2025-02-11 v1 信号处理
摘要
信道自动编码器（CAE）在通过联合端到端训练针对特定信道优化无线通信系统的物理层展示出巨大的潜力。然而，实际应用面临诸多挑战，尤其是在现实且动态的场景下。通信系统中的信道是动态的，会随时间变化。然而，大多数 proposed CAE 设计假设是平稳场景，仅针对单一信道实现进行训练和测试，不考虑无线通信系统的动态本质。此外，传统 CAE 设计假设可获得大量 pilot 信号，作为 CAE 上下文中的训练样本。然而，在实际应用中，针对每个新信道实现，实时运行的 CAE 不可能获取大量训练样本。因此，CAE 必须在 few-shot 学习场景下部署，只需有限的训练样本即可。此外，大多数 proposed 传统 CAE 缺乏对新信道实现的快速适应性，这在处理有限 pilot 数量时问题更为突出。为此，本文提出一种用于 few-shot CAE 场景的在线元学习信道自动编码器（OML-CAE）框架。OML-CAE 框架以在线方式增强对各异信道条件的适应性，允许动态调整以应对不断演变的通信场景。此外，它只需少量 pilot 即可适应新信道条件，大幅提升 pilot 效率，使 CAE 设计在现实场景下变得可行。
关键词
引用
@article{arxiv.2501.01608,
title = {Online Meta-Learning Channel Autoencoder for Dynamic End-to-end Physical Layer Optimization},
author = {Ali Owfi and Jonathan Ashdown and Kurt Turck and Fatemeh Afghah},
journal= {arXiv preprint arXiv:2501.01608},
year = {2025}
}
备注
To be published in IEEE Wireless Communications and Networking Conference (WCNC) 2025