Fast MLE and MAPE-Based Device Activity Detection for Grant-Free Access via PSCA and PSCA-Net

要約

高速かつ正確なデバイスアクティビティ検出は、5G以上の大規模な機械型通信（MMTC）および超信頼性の低い低遅延コミュニケーション（URLLC）をサポートするための助成金のないアクセスの重要な課題です。
最先端の方法には、不十分なエラー率または計算時間があります。
これらの未解決の問題に対処するために、最適化と深い学習技術を使用して優れたエラー率と計算時間トレードオフを達成する既知および未知のパスロスの新しい最尤推定（MLE）と最大A後推定（MAPE）ベースのデバイスアクティビティ検出方法を提案します。
具体的には、2つのパスロスケースでMLEとMAPEの4つの非凸最適化問題を調査し、1つのMAPE問題が初めて処方されます。
非凸の問題について、並列連続凸近似（PSCA）法を使用して革新的な並列反復アルゴリズムを開発します。
各PSCAベースのアルゴリズムは、並列計算を許可し、目的関数の2次情報まで使用し、問題の定常ポイントに収束し、最先端のアルゴリズムと比較して低体験ごとの計算の複雑さを持っています。
次に、各PSCAベースの反復アルゴリズムについて、計算時間をさらに短縮するために、PSCA-NETと呼ばれる深い展開ニューラルネットワークの実装を提示します。
各PSCA-NETは、基礎となるPSCAベースのアルゴリズムの並列計算メカニズムと並列化可能なニューラルネットワークアーキテクチャとエレガントに結婚し、膨大なデータサンプルに基づいて収束を高速化するステップサイズを効果的に最適化します。
数値結果は、提案された方法が最先端の方法と比較してエラー率と計算時間を大幅に短縮できることを示しており、付与のないアクセスの重要な値を明らかにします。

要約(オリジナル)

Fast and accurate device activity detection is the critical challenge in grant-free access for supporting massive machine-type communications (mMTC) and ultra-reliable low-latency communications (URLLC) in 5G and beyond. The state-of-the-art methods have unsatisfactory error rates or computation times. To address these outstanding issues, we propose new maximum likelihood estimation (MLE) and maximum a posterior estimation (MAPE) based device activity detection methods for known and unknown pathloss that achieve superior error rate and computation time tradeoffs using optimization and deep learning techniques. Specifically, we investigate four non-convex optimization problems for MLE and MAPE in the two pathloss cases, with one MAPE problem being formulated for the first time. For each non-convex problem, we develop an innovative parallel iterative algorithm using the parallel successive convex approximation (PSCA) method. Each PSCA-based algorithm allows parallel computations, uses up to the objective function’s second-order information, converges to the problem’s stationary points, and has a low per-iteration computational complexity compared to the state-of-the-art algorithms. Then, for each PSCA-based iterative algorithm, we present a deep unrolling neural network implementation, called PSCA-Net, to further reduce the computation time. Each PSCA-Net elegantly marries the underlying PSCA-based algorithm’s parallel computation mechanism with the parallelizable neural network architecture and effectively optimizes its step sizes based on vast data samples to speed up the convergence. Numerical results demonstrate that the proposed methods can significantly reduce the error rate and computation time compared to the state-of-the-art methods, revealing their significant values for grant-free access.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google