Robust mmWave Beamforming by Self-Supervised Hybrid Deep Learning

要約

大規模アンテナ アレイによるビームフォーミングは近年広く使用されており、5G および今後の 6G における重要な部分として認識されています。
したがって、ディープ ラーニング、高度な最適化アルゴリズムなど、さまざまな技術を活用してパフォーマンスを向上させます。ディープ ラーニングを使用したこれまでの多くの研究シナリオにおけるパフォーマンスは非常に魅力的ですが、通常、環境やデータセットが変更されると急速に低下します。
したがって、強力な堅牢性を備えた効果的なビームフォーミング ネットワークを設計することは、インテリジェントなワイヤレス通信にとって未解決の課題です。
この論文では、堅牢なビームフォーミング自己監視型ネットワークを提案し、さまざまなシナリオを使用して 2 種類の異なるデータセットでそれを検証します。
シミュレーション結果は、ハイブリッド学習を備えた提案された自己教師ありネットワークが、さまざまな環境下で強力な堅牢性を備え、従来の DeepMIMO と新しい WAIR-D データセットの両方で良好にパフォーマンスすることを示しています。
また、この種のハイブリッド学習の合理性を説明するための原理も示します。これは、より多くの種類のデータセットに適用するのに有益です。

要約(オリジナル)

Beamforming with large-scale antenna arrays has been widely used in recent years, which is acknowledged as an important part in 5G and incoming 6G. Thus, various techniques are leveraged to improve its performance, e.g., deep learning, advanced optimization algorithms, etc. Although its performance in many previous research scenarios with deep learning is quite attractive, usually it drops rapidly when the environment or dataset is changed. Therefore, designing effective beamforming network with strong robustness is an open issue for the intelligent wireless communications. In this paper, we propose a robust beamforming self-supervised network, and verify it in two kinds of different datasets with various scenarios. Simulation results show that the proposed self-supervised network with hybrid learning performs well in both classic DeepMIMO and new WAIR-D dataset with the strong robustness under the various environments. Also, we present the principle to explain the rationality of this kind of hybrid learning, which is instructive to apply with more kinds of datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google