Federated Unfolding Learning for CSI Feedback in Distributed Edge Networks
Notice bibliographique
Résumé
In distributed edge networks employing frequency division duplex, the feedback of channel state information (CSI) from the edge devices to the edge server always consumes a lot of spectrum resources, resulting in a serious communication burden. In this paper, we first propose an end-to-end unfolding neural network framework inspired by the soft threshold iterative algorithm (U-ISTANet). The proposed U-ISTANet integrates the advantages of compression awareness and neural networks. Especially, the compression matrix and sparse transformation of channel matrix can be learned for accurate CSI compression and recovery. And a lightweight version of U-ISTANet, called U-ISTANet-L, is proposed to reduce the training parameters. To reduce the data transmission overhead in the centralized learning framework, we extend the proposed U-ISTANet-L to a federated U-ISTANet-L (FU-ISTANet-L), which can train a more generalizable model by increasing the number of edge devices to enlarge the data set in a distributed learning manner. The proposed FU-ISTANet-L reduces the transmission overhead and increases the training speed while achieving a performance close to that of centralized learning. Furthermore, we propose a personalized FU-ISTANet-L (P-FU-ISTANet-L) to solve the heterogeneous data training problem in different communication environments. Specifically, we first obtain a pre-trained model by federation unfolding learning, and then each edge device fine-tunes the model using only a small amount of train data to obtain a personalized model for local channel environment. Extensive experimental results are provided to show that the proposed networks achieve a significant performance over the benchmarking schemes in terms of the normalized mean square error.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».