.png){kind=icon}
返回
Clustered Federated Learning to Support Context-Dependent CSI Decoding
.png){kind=icon}
PRE
AI
DOI：10.1109/TMLCN.2025.3638983.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于神经网络的编码器和解码器在MIMO通信的信道状态信息(CSI)反馈方面已显示出显著性能提升。然而，将这些模型部署到实际场景中的关键挑战仍需深入探讨，包括：a) 需要高效适应不同环境等多样化信道条件，以及是否使用多个编码器和解码器；b) 在各种环境中收集足够数据以训练神经网络模型的成本；c) 需要保护关于竞争运营商覆盖范围等敏感数据。为应对第一个挑战，我们提出了一种使用上下文相关解码器和通用编码器的新型系统。我们通过聚类相似环境来限制解码器数量，并允许同一聚类内的环境共享同一解码器。为应对第二和第三个挑战，我们引入了一种基于聚类联邦学习的方法，该方法联合聚类环境和学习所需的编码器及上下文聚类相关的解码器，利用分布式数据。聚类基于各环境中时间平均梯度的相似性高效进行。为评估我们的方法，我们整理了一个反映无线系统异构性的新数据集并公开提供。广泛的实验结果表明，我们提出的CSI压缩框架非常有效，能够高效确定正确的上下文聚类及其对应的编码器和解码器。
Keyword:
Channel state information
Channel state information
CSI
CSI
clustering
clustering
compression
compression
federated learning
federated learning
feedback
feedback
期刊
I
机构
引用论文
Guo, Y.; Qin, Z.; Tao, X.; Dobre, O.A. Federated Generative-Adversarial-Network-Enabled Channel Estimation. Intell. Comput. 2024, 3, 0066. [Google Scholar] [CrossRef]郭, Y.; 秦, Z.; 陶, X.; Dobre, O.A. 联邦生成对抗网络赋能的信道估计. 智能计算. 2024, 3, 0066. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
分享收藏
分享收藏
查看更多内容