基于模块化贝叶斯深度学习的感知不确定性且可靠的神经 MIMO 接收机
信息论
2024-10-22 v4 信号处理
math.IT
摘要
深度学习被设想在未来无线接收机设计中发挥关键作用。一种流行的学习辅助接收机设计方法将深度神经网络 (DNN) 与传统的基于模型的接收机算法相结合，实现混合的基于模型与数据驱动的架构。此类架构通常包含多个模块，每个模块执行由基于模型的接收机工作流程所规定的不同功能。众所周知，常规训练的基于 DNN 的模块会产生校准不佳、通常过度自信的决策。因此，错误的决策可能在架构中传播，而没有任何迹象表明其准确性不足。为解决这一问题，我们提出了一种将贝叶斯深度学习与混合基于模型的数据驱动架构相结合的新颖方法，用于无线接收机设计。所提出的方法被称为模块化贝叶斯深度学习，旨在产生校准良好的模块，进而提高整个接收机的准确性和校准性能。我们将此方法专门用于多输入多输出 (MIMO) 接收机中的两项基本任务——均衡和解码。在数据稀缺的情况下，模块化贝叶斯深度学习产生可靠不确定性度量的能力被一致证明可直接转化为整个 MIMO 接收机链性能的提升。
引用
@article{arxiv.2302.02436,
title = {Uncertainty-Aware and Reliable Neural MIMO Receivers via Modular Bayesian Deep Learning},
author = {Tomer Raviv and Sangwoo Park and Osvaldo Simeone and Nir Shlezinger},
journal= {arXiv preprint arXiv:2302.02436},
year = {2024}
}