自我提名：基于深度学习的MU-MIMO系统中去中心化CSI反馈降低
信号处理
2025-04-24 v1
摘要
本文提出一种新颖的基于深度学习的用户侧反馈降低框架，称为自我提名(self-nomination)。自我提名的目标是通过让每个用户基于其被选定概率的估计值以及其对多用户MIMO(MU-MIMO)下行预编码潜在贡献来决定是否反馈信道状态信息(CSI)到基站(BS)，从而减少反馈CSI的子用户(UE)数量。与基于SNR或SINR的阈值方法不同，所提方法使用丰富的空间信道统计信息，并学习影响最终MU-MIMO调度决策的非平凡相关效应。为在平均反馈约束下训练自我提名网络，我们提出了两种不同的策略：一种基于直接优化带梯度近似的方法，另一种使用基于策略梯度的优化方法，以随机伯努利策略处理不可微的调度。该框架还支持比例公平调度，通过纳入动态用户权重。数值结果确认，所提的自我提名方法显著降低了CSI反馈开销。相对于基线反馈方法，自我提名可将反馈降低最高可达65%，不仅节省带宽，也允许许多UE完全避免反馈(从而可能进入睡眠模式)。在几乎没有sum-rate或公平性损失的情况下，自我提名实现了显著的节省。
引用
@article{arxiv.2504.16351,
title = {Self-Nomination: Deep Learning for Decentralized CSI Feedback Reduction in MU-MIMO Systems},
author = {Juseong Park and Foad Sohrabi and Jinfeng Du and Jeffrey G. Andrews},
journal= {arXiv preprint arXiv:2504.16351},
year = {2025}
}