ProtoBeam：使用原型网络将深度波束预测泛化至未见天线
信号处理
2025-01-08 v1
摘要
最近出现的深度学习技术能够高效管理毫米波波束传输，而无需耗时的波束扫描策略。这些方法的一个根本挑战在于它们依赖于特定硬件的训练数据，且泛化能力有限。文献报告指出，在一个天线环境中训练的 DL 模型在应用于另一个环境时，性能会出现大幅下降。本文提出应用原型网络来解决这一挑战，并利用 DeepBeam 真实世界数据集来验证所开发的解决方案。原型网络擅长在训练期间提取特征以建立特定类别的原型，从而产生能够封装数据定义特征的精确嵌入。我们展示了 PN 在实现深度波束预测器跨未见天线的泛化方面的有效性。我们的方法将数据归一化和原型归一化与 PN 相结合，在不同天线数据集上进行训练和测试时，实现了 74.11% 的平均波束分类准确率。与文献中未考虑此类域偏移的基线性能相比，这提升了 398%。据我们所知，这项工作首次展示了原型网络在无线网络域适应中的价值，为该领域的未来研究奠定了基础。
引用
@article{arxiv.2501.03435,
title = {ProtoBeam: Generalizing Deep Beam Prediction to Unseen Antennas using Prototypical Networks},
author = {Omar Mashaal and Elsayed Mohammed and Alec Digby and Lorne Swersky and Ashkan Eshaghbeigi and Hatem Abou-Zeid},
journal= {arXiv preprint arXiv:2501.03435},
year = {2025}
}