Red Neuronal Ligera con Destilación de Conocimiento para Retroalimentación de Información del Estado del Canal (CSI)

El aprendizaje profundo ha mostrado promesas en la mejora de la retroalimentación de la información del estado del canal (CSI). Sin embargo, muchos estudios indican que un mejor rendimiento de retroalimentación a menudo acompaña a una mayor complejidad computacional. Perseguir mejores compensaciones entre rendimiento y complejidad es crucial para facilitar el despliegue práctico, especialmente en dispositivos con limitaciones computacionales, que pueden tener que utilizar un autoencoder ligero con un rendimiento desfavorable. Para lograr este objetivo, este documento introduce la destilación de conocimiento (KD) para alcanzar mejores compensaciones, donde el conocimiento de un autoencoder maestro complicado se transfiere a un autoencoder estudiante ligero para mejorar el rendimiento. Específicamente, se proponen dos métodos para la implementación. En primer lugar, se presenta un método basado en KD para autoencoders, entrenando a un autoencoder estudiante para imitar el CSI reconstruido de un autoencoder maestro preentrenado. En segundo lugar, se propone un método basado en KD para codificadores para reducir la sobrecarga de entrenamiento realizando KD solo en el codificador estudiante. Además, se introduce una variante del KD de codificadores para proteger la propiedad intelectual del equipo del usuario y del proveedor de la estación base. Las simulaciones numéricas demuestran que los métodos propuestos pueden mejorar significativamente el rendimiento del autoencoder estudiante, mientras que reducen el número de operaciones de punto flotante y el tiempo de inferencia al 3.05%–5.28% y al 13.80%–14.76% de la red del maestro, respectivamente. Además, el método variante de KD de codificadores mejora efectivamente la capacidad de generalización del autoencoder estudiante a través de diferentes escenarios, entornos y anchos de banda.