A Low-Overhead Incorporation-Extrapolation based Few-Shot CSI Feedback Framework for Massive MIMO Systems

要約

正確なチャネル状態情報 (CSI) は、直交周波数分割多重 (OFDM) を備えた周波数分割二重 (FDD) 大規模多入力多出力 (MIMO) システムにおけるダウンリンク プリコーディングに不可欠です。
ただし、ユーザー機器 (UE) からのフィードバックを通じて CSI を取得することは、アンテナとサブキャリアの規模が増大するにつれて困難になり、CSI フィードバックのオーバーヘッドが非常に高くなります。
CSI を圧縮するために深層学習ベースの方法が登場しましたが、これらの方法は一般に大量のサンプルを収集する必要があるため、実用的な課題が生じます。
さらに、既存の深層学習手法は、全次元の CSI フィードバックに重点を置いているため、フィードバックのオーバーヘッドが劇的に増大するという問題にも悩まされています。
これらの問題に対処するために、大規模 MIMO システム向けに、低オーバーヘッドの組み込み外挿ベースの Few-Shot CSI フィードバック フレームワーク (IEFSF) を提案します。
フィードバックのオーバーヘッドを削減するために、固有ベクトルベースの CSI フィードバックの組み込み外挿スキームが提案されています。
次に、大規模なサンプル収集の必要性を軽減し、少数ショットの CSI フィードバックを可能にするために、このドメインを活用することにより、知識駆動型データ拡張 (KDDA) 手法と人工知能生成コンテンツ (AIGC) ベースのデータ拡張手法をさらに提案します。
それぞれ、無線チャネルの知識と新しい生成モデルの活用によるものです。
DeepMIMO データセットに基づく実験結果は、提案された IEFSF が、わずか数百の収集サンプルを使用して高いフィードバック精度を維持しながら、既存の方法と比較して CSI フィードバックのオーバーヘッドを 64 倍大幅に削減することを示しています。

要約(オリジナル)

Accurate channel state information (CSI) is essential for downlink precoding in frequency division duplexing (FDD) massive multiple-input multiple-output (MIMO) systems with orthogonal frequency-division multiplexing (OFDM). However, obtaining CSI through feedback from the user equipment (UE) becomes challenging with the increasing scale of antennas and subcarriers and leads to extremely high CSI feedback overhead. Deep learning-based methods have emerged for compressing CSI but these methods generally require substantial collected samples and thus pose practical challenges. Moreover, existing deep learning methods also suffer from dramatically growing feedback overhead owing to their focus on full-dimensional CSI feedback. To address these issues, we propose a low-overhead Incorporation-Extrapolation based Few-Shot CSI feedback Framework (IEFSF) for massive MIMO systems. An incorporation-extrapolation scheme for eigenvector-based CSI feedback is proposed to reduce the feedback overhead. Then, to alleviate the necessity of extensive collected samples and enable few-shot CSI feedback, we further propose a knowledge-driven data augmentation (KDDA) method and an artificial intelligence-generated content (AIGC) -based data augmentation method by exploiting the domain knowledge of wireless channels and by exploiting a novel generative model, respectively. Experimental results based on the DeepMIMO dataset demonstrate that the proposed IEFSF significantly reduces CSI feedback overhead by 64 times compared with existing methods while maintaining higher feedback accuracy using only several hundred collected samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google