| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2023-03-01 10:00 FDD Massive MIMO における継続学習と転移学習に基づくCSIフィードバック ○井上真悠子・大槻知明（慶大）  RCS2022-251 |
|
| 抄録 | （和） | 周波数分割複信（FDD）方式の大規模多入力多出力（MIMO）において、基地局（BS）で下り通信路のCSIを得るために、深層転移学習（DTL）に基づくダウンリンクCSIフィードバック法が提案されている。この方法では、与えられたチャネル環境におけるCSIデータセット（ソースデータ）に対して学習させたソースモデルを、ターゲットチャネル環境における少数のCSIデータセット（ターゲットデータ）を用いてファインチューニングすることで、低コストでターゲットモデルを得ることができる。しかし、DTLによって得られたターゲットモデルのソースデータにおける性能は、ソースモデルの性能と比較して大きく劣化する。そのため、ソースデータのチャネル環境に再び変化する可能性のある現実的な時変チャネル環境では、ターゲットモデルはソースデータを再学習する必要がある。この問題を解決するために、DTLに基づくCSIフィードバック手法と継続学習を組み合わせた手法を提案する。ファインチューニングの際に損失関数に Elastic Weight Consolidation（EWC）を導入した。シミュレーションの結果、提案手法は継続学習を行わない場合と比較して、ターゲットモデルのソースデータにおけるNMSEの劣化を大幅に低減することがわかった。また，5種類のチャネル環境が混在するデータセットをソースデータとして、提案手法で生成したターゲットモデルは，チャネル環境によらず良好な性能を示す傾向がある。これらの結果は、提案手法がターゲットモデルの再学習コストを削減でき、現実的な時間変動するチャネル環境において有用であることを示している。 |
| （英） | In frequency division duplexing (FDD) massive multiple-input multiple-output (MIMO), the downlink channel state information (CSI) feedback method based on deep transfer learning (DTL) has been proposed to obtain the downlink CSI at the Base Station (BS). In this method, a source model trained on the CSI dataset (source data) in a given channel environment can be fine-tuned with a small number of CSI dataset (target data) in the target channel environment to obtain a target model at a low cost. However, the performance the target model obtained by DTL achieves with the source data degrades largely compared to that of the source model. Therefore, in realistic time-varying channel environments, which may change again into the source data channel environment, the target model must relearn the source data. To solve this issue, we propose a method that combines the CSI feedback method based on DTL with continual learning. The elastic weight consolidation (EWC) was introduced to the loss function during fine tuning. Simulation results show that our method significantly reduces the degradation of the NMSE that the target model achieves with the source data compared to the case without continual learning. The target model obtained by the proposed method with a mixed dataset of five different channel environments as the source data tends to have good performance regardless of the channel environments. These results indicate that the proposed method can reduce the relearning cost of the target model and can be useful in realistic time-varying channel environments. | |
| キーワード | （和） | CSIフィードバック / DTL / 継続学習 / / / / / |
| （英） | CSI feedback / DTL / continual learning / / / / / | |
| 文献情報 | 信学技報, vol. 122, no. 399, RCS2022-251, pp. 25-30, 2023年3月. | |
| 資料番号 | RCS2022-251 | |
| 発行日 | 2023-02-22 (RCS) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | RCS2022-251 |
|
| 研究会情報 | |
| 研究会 | RCS SR SRW |
| 開催期間 | 2023-03-01 - 2023-03-03 |
| 開催地（和） | 東京工業大学＋オンライン開催 |
| 開催地（英） | Tokyo Institute of Technology, and Online |
| テーマ（和） | 移動通信ワークショップ |
| テーマ（英） | Mobile Communication Workshop |
| 講演論文情報の詳細 | |
| 申込み研究会 | RCS |
| 会議コード | 2023-03-RCS-SR-SRW |
| 本文の言語 | 日本語 |
| タイトル（和） | FDD Massive MIMO における継続学習と転移学習に基づくCSIフィードバック |
| サブタイトル（和） | |
| タイトル（英） | Continual Learning and Deep Transfer Learning Based CSI Feedback in FDD Massive MIMO Systems |
| サブタイトル（英） | |
| キーワード(1)（和/英） | CSIフィードバック / CSI feedback |
| キーワード(2)（和/英） | DTL / DTL |
| キーワード(3)（和/英） | 継続学習 / continual learning |
| キーワード(4)（和/英） | / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 井上 真悠子 / Mayuko Inoue / イノウエ マユコ |
| 第1著者 所属（和/英） | 慶應義塾大学 (略称： 慶大) Keio University (略称： Keio Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 大槻 知明 / Tomoaki Ohtsuki / トモアキ オオツキ |
| 第2著者 所属（和/英） | 慶應義塾大学 (略称： 慶大) Keio University (略称： Keio Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2023-03-01 10:00:00 |
| 発表時間 | 25分 |
| 申込先研究会 | RCS |
| 資料番号 | RCS2022-251 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | no.399 |
| ページ範囲 | pp.25-30 |
| ページ数 | 6 |
| 発行日 | 2023-02-22 (RCS) |
[研究会発表申込システムのトップページに戻る]