Auto-CsiNet: Scenario-customized Automatic Neural Network Architecture Generation for Massive MIMO CSI Feedback

要約

ディープラーニングは、無線通信におけるチャネル状態情報 (CSI) フィードバック モジュールの設計に革命をもたらしました。
ただし、CSI フィードバックに最適なニューラル ネットワーク (NN) アーキテクチャを設計することは、骨の折れる時間のかかるプロセスになる可能性があります。
手動設計では、NN をさまざまなシナリオにカスタマイズするのに非常に高価になる可能性があります。
この論文では、ニューラル アーキテクチャ検索 (NAS) を使用して、シナリオに合わせてカスタマイズされた CSI フィードバック NN アーキテクチャの生成を自動化し、それによって排他的な環境での深層学習の可能性を最大化することを提案します。
自動化された機械学習と勾配降下ベースの NAS を採用することで、効率的でコスト効率の高いアーキテクチャ設計プロセスが実現されます。
提案されたアプローチは、暗黙的なシーンの知識を活用し、それをデータ駆動型の方法でシナリオのカスタマイズ プロセスに統合し、特定のシナリオごとに深層学習の可能性を最大限に活用します。
過剰な検索の問題に対処するために、早期停止および柔軟な選択メカニズムが採用され、提案されたスキームの効率が向上します。
実験結果は、Auto-CsiNet として知られる自動生成されたアーキテクチャが、再構築パフォーマンス (約 14% の向上を達成) と複雑さ (約 50% の削減) の両方において手動で設計したモデルよりも優れていることを示しています。
さらに、この論文は、NN アーキテクチャとその容量に対するシナリオの影響を分析します。

要約(オリジナル)

Deep learning has revolutionized the design of the channel state information (CSI) feedback module in wireless communications. However, designing the optimal neural network (NN) architecture for CSI feedback can be a laborious and time-consuming process. Manual design can be prohibitively expensive for customizing NNs to different scenarios. This paper proposes using neural architecture search (NAS) to automate the generation of scenario-customized CSI feedback NN architectures, thereby maximizing the potential of deep learning in exclusive environments. By employing automated machine learning and gradient-descent-based NAS, an efficient and cost-effective architecture design process is achieved. The proposed approach leverages implicit scene knowledge, integrating it into the scenario customization process in a data-driven manner, and fully exploits the potential of deep learning for each specific scenario. To address the issue of excessive search, early stopping and elastic selection mechanisms are employed, enhancing the efficiency of the proposed scheme. The experimental results demonstrate that the automatically generated architecture, known as Auto-CsiNet, outperforms manually-designed models in both reconstruction performance (achieving approximately a 14% improvement) and complexity (reducing it by approximately 50%). Furthermore, the paper analyzes the impact of the scenario on the NN architecture and its capacity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google