| 講演抄録／キーワード |
| 講演名 |
2024-02-16 10:50
FDD Massive MIMOシステムにおけるマルチタスク学習に基づく CSIフィードバックのAdapterベースのfine-tuning
○井上真悠子・大槻知明（慶大） |
| 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）で下り通信路のチャネル状態情報（CSI）を得るために，マルチタスク学習に基づくCSIフィードバックが提案されている．複数チャネル環境のCSIデータセットを均等に混ぜてエンコーダ・デコーダを事前学習した後，少量の各チャネル環境のCSIデータセットでデコーダを fine-tuning する．こうすることで，ユーザ端末（UE）にはエンコーダ1種類のみ配置するだけで，複数チャネル環境に対応した CSI フィードバックが実現できる．一方，BSにはチャネル環境分のデコーダを一式配置する必要がある．また，現状デコーダの各層でfine-tuningにより学んでいる新しい表現を，複数層で学んだ方がより効果的に新しい表現を学習できると考える．これらを踏まえて，Adapterベースのfine-tuningを提案する．複数層から成るAdapterをデコーダの畳み込み層に並列に挿入し，Adapterと一部のデコーダのパラメータのみfine-tuningする．Adapterとしては，Adapter 1，Adapter 2，Adapter 3の3種類を考える．2つの畳み込み層，チャンネル重み，Attentionから成るAdapter 1は，fine-tuningで新しい表現を効果的に学習する．デコーダの畳み込み層よりもパラメータ数が少ないAdapter 2・Adapter 3では，マルチタスク学習に基づくCSIフィードバックよりもfine-tuningパラメータ数を削減できる．シミュレーションの結果，Adapter 1は従来のマルチタスク学習に基づくCSIフィードバックに比べて，推定CSIと復元CSI間のNormalized Mean Square Error（NMSE）を平均で0.4 dB改善できた．Adapter 2・Adapter 3は，マルチタスク学習に基づくCSIフィードバックに比べて，BSで保持する必要のあるパラメータ数をそれぞれ29%・34% 削減できた． |
| （英） |
A multi-task learning-based Channel State Information (CSI) feedback has been proposed to obtain the CSI of the downlink communication channel at a Base Station (BS) in massive multiple-input multiple-output (MIMO) frequency-division-duplex (FDD) system. After pre-training the encoder and the decoder with an equal mix of CSI datasets from multiple channel environments, the decoder is fine-tuned with a small amount of CSI datasets from each channel environment. In this way, CSI feedback for multiple-channel environments can be realized with only one type of encoder in the User Equipment (UE). On the other hand, the BS needs to have enough decoders for each channel environment. We also believe that new expressions currently learned by fine-tuning in each layer of decoders can be learned more effectively by multiple layers. Based on these considerations, we propose adapter-based fine-tuning. We consider three types of Adapters: Adapter 1, Adapter 2, and Adapter 3. Adapter 1, which consists of two convolutional layers, channel weights, and attention, effectively learns new representations through fine-tuning. Adapters 2 and 3, which have fewer parameters than the decoder convolutional layer, reduce the number of fine-tuning parameters. Simulation results show that Adapter 1 improves the Normalized Mean Square Error (NMSE) between the estimated CSI and the reconstructed CSI by an average of 0.4 dB compared to the conventional multi-task learning-based CSI feedback. Adapters 2 and 3 reduce the number of parameters that need to be retained in the BS by 29% and 34%, respectively, compared to multi-task learning-based CSI feedback. |
| キーワード |
（和） |
CSIフィードバック / マルチタスク学習 / fine-tuning / / / / / |
| （英） |
CSI feedback / multi-task learning / fine-tuning / / / / / |
| 文献情報 |
映情学技報, vol. 48, no. 5, BCT2024-27, pp. 25-28, 2024年2月. |
| 資料番号 |
BCT2024-27 |
| 発行日 |
2024-02-08 (BCT) |
| ISSN |
Online edition: ISSN 2424-1970 |
| PDFダウンロード |
|
| 研究会情報 |
| 研究会 |
BCT IEEE-BT |
| 開催期間 |
2024-02-15 - 2024-02-16 |
| 開催地（和） |
名古屋国際センター |
| 開催地（英） |
Nagoya International Center |
| テーマ（和） |
学生若手発表および一般
（ハイブリッド開催，主：名古屋国際センター，副：オンライン開催) |
| テーマ（英） |
|
| 講演論文情報の詳細 |
| 申込み研究会 |
BCT |
| 会議コード |
2024-02-BCT-BT |
| 本文の言語 |
日本語 |
| タイトル（和） |
FDD Massive MIMOシステムにおけるマルチタスク学習に基づく CSIフィードバックのAdapterベースのfine-tuning |
| サブタイトル（和） |
|
| タイトル（英） |
Adapter-Based Fine-Tuning for Multi-Task 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） |
マルチタスク学習 / multi-task learning |
| キーワード(3)（和/英） |
fine-tuning / fine-tuning |
| 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) |
| 第3著者 氏名（和/英/ヨミ） |
/ / |
| 第3著者 所属（和/英） |
(略称： )
(略称： ) |
| 第4著者 氏名（和/英/ヨミ） |
/ / |
| 第4著者 所属（和/英） |
(略称： )
(略称： ) |
| 第5著者 氏名（和/英/ヨミ） |
/ / |
| 第5著者 所属（和/英） |
(略称： )
(略称： ) |
| 第6著者 氏名（和/英/ヨミ） |
/ / |
| 第6著者 所属（和/英） |
(略称： )
(略称： ) |
| 第7著者 氏名（和/英/ヨミ） |
/ / |
| 第7著者 所属（和/英） |
(略称： )
(略称： ) |
| 第8著者 氏名（和/英/ヨミ） |
/ / |
| 第8著者 所属（和/英） |
(略称： )
(略称： ) |
| 第9著者 氏名（和/英/ヨミ） |
/ / |
| 第9著者 所属（和/英） |
(略称： )
(略称： ) |
| 第10著者 氏名（和/英/ヨミ） |
/ / |
| 第10著者 所属（和/英） |
(略称： )
(略称： ) |
| 第11著者 氏名（和/英/ヨミ） |
/ / |
| 第11著者 所属（和/英） |
(略称： )
(略称： ) |
| 第12著者 氏名（和/英/ヨミ） |
/ / |
| 第12著者 所属（和/英） |
(略称： )
(略称： ) |
| 第13著者 氏名（和/英/ヨミ） |
/ / |
| 第13著者 所属（和/英） |
(略称： )
(略称： ) |
| 第14著者 氏名（和/英/ヨミ） |
/ / |
| 第14著者 所属（和/英） |
(略称： )
(略称： ) |
| 第15著者 氏名（和/英/ヨミ） |
/ / |
| 第15著者 所属（和/英） |
(略称： )
(略称： ) |
| 第16著者 氏名（和/英/ヨミ） |
/ / |
| 第16著者 所属（和/英） |
(略称： )
(略称： ) |
| 第17著者 氏名（和/英/ヨミ） |
/ / |
| 第17著者 所属（和/英） |
(略称： )
(略称： ) |
| 第18著者 氏名（和/英/ヨミ） |
/ / |
| 第18著者 所属（和/英） |
(略称： )
(略称： ) |
| 第19著者 氏名（和/英/ヨミ） |
/ / |
| 第19著者 所属（和/英） |
(略称： )
(略称： ) |
| 第20著者 氏名（和/英/ヨミ） |
/ / |
| 第20著者 所属（和/英） |
(略称： )
(略称： ) |
| 講演者 |
第1著者 |
| 発表日時 |
2024-02-16 10:50:00 |
| 発表時間 |
20分 |
| 申込先研究会 |
BCT |
| 資料番号 |
BCT2024-27 |
| 巻番号（vol） |
vol.48 |
| 号番号（no） |
no.5 |
| ページ範囲 |
pp.25-28 |
| ページ数 |
4 |
| 発行日 |
2024-02-08 (BCT) |
|