ICDM: Interference Cancellation Diffusion Models for Wireless Semantic Communications

要約

拡散モデル（DMS）は、最近、除去能力のためにワイヤレス通信システムで大きな成功を収めました。
ワイヤレス信号の放送の性質は、ガウスノイズだけでなく、干渉を知らないことにも影響を与えます。
これにより、DMSがワイヤレスセマンティックコミュニケーションシステムでの干渉を効果的に軽減できるかどうかという問題が生じます。
このホワイトペーパーでは、干渉キャンセルの問題を、信号と干渉の関節後確率に対する最大A後部（MAP）問題としてモデル化し、理論的には、ソリューションが信号と干渉の優れた推定値を提供することを証明します。
この問題を解決するために、干渉キャンセル拡散モデル（ICDM）を開発します。これは、チャネル遷移確率とともに、シグナルと干渉の独立した事前確率に関節を分解します。
各時間ステップでのこれらの分布の対数勾配は、DMSによって個別に学習され、導出を通じて正確に推定されます。
ICDMは、これらの勾配を高度な数値反復法にさらに統合し、正確かつ迅速な干渉キャンセルを実現します。
広範な実験は、ICDMが平均平方根誤差（MSE）を大幅に減らし、ICDMのないスキームと比較して知覚品質を向上させることを示しています。
たとえば、レイリーフェーディングチャネルの下のセレバデータセットでは、信号対雑音比（SNR）が20ドルで、干渉と干渉とノイズ比（SINR）が0 dBで、ICDMはMSEを4.54 dB減らし、学習された知覚画像パッチの類似性（LPIPS）を2.47 dB減らします。

要約(オリジナル)

Diffusion models (DMs) have recently achieved significant success in wireless communications systems due to their denoising capabilities. The broadcast nature of wireless signals makes them susceptible not only to Gaussian noise, but also to unaware interference. This raises the question of whether DMs can effectively mitigate interference in wireless semantic communication systems. In this paper, we model the interference cancellation problem as a maximum a posteriori (MAP) problem over the joint posterior probability of the signal and interference, and theoretically prove that the solution provides excellent estimates for the signal and interference. To solve this problem, we develop an interference cancellation diffusion model (ICDM), which decomposes the joint posterior into independent prior probabilities of the signal and interference, along with the channel transition probablity. The log-gradients of these distributions at each time step are learned separately by DMs and accurately estimated through deriving. ICDM further integrates these gradients with advanced numerical iteration method, achieving accurate and rapid interference cancellation. Extensive experiments demonstrate that ICDM significantly reduces the mean square error (MSE) and enhances perceptual quality compared to schemes without ICDM. For example, on the CelebA dataset under the Rayleigh fading channel with a signal-to-noise ratio (SNR) of $20$ dB and signal to interference plus noise ratio (SINR) of 0 dB, ICDM reduces the MSE by 4.54 dB and improves the learned perceptual image patch similarity (LPIPS) by 2.47 dB.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google