TCLNet：一种集成Transformer-CNN框架的混合架构，利用语言模型作为无损压缩器进行信道状态信息反馈
信息论
2026-01-13 v1 math.IT
计算物理
摘要
在频分双工(FDD)大规模多输入多输出(MIMO)系统中，下行信道状态信息(CSI)在实现高频谱和能源效率方面起着关键作用。然而，随着天线数量的增加，CSI反馈开销成为主要瓶颈。虽然现有的深度学习基于CSI压缩方法显示出巨大的潜力，但仍面临在捕获CSI的局部特征和全局特征方面的局限，限制了可实现的压缩效率。为此，我们提出TCLNet，一个统一的CSI压缩框架，将混合Transformer-CNN架构用于有损压缩，以及混合语言模型(LM)和因子化模型(FM)设计用于无损压缩。该有损模块同时利用局部特征和全局上下文，while该无损模块适应性地在基于上下文的编码和并行编码之间切换，以优化率-失真-复杂度(RDC)权衡。在针对真实世界数据集和模拟数据集的大量实验中，证明了该提出的TCLNet在重建准确率和传输效率方面优于现有方法，实现了在各种场景下最高可达5 dB的性能提升。此外，我们展示了大型语言模型(LLM)可通过仔细设计的提示词用作零样本CSI无损压缩器。
引用
@article{arxiv.2601.06588,
title = {TCLNet: A Hybrid Transformer-CNN Framework Leveraging Language Models as Lossless Compressors for CSI Feedback},
author = {Zijiu Yang and Qianqian Yang and Shunpu Tang and Tingting Yang and Zhiguo Shi},
journal= {arXiv preprint arXiv:2601.06588},
year = {2026}
}