チャネル予測を用いた大規模MIMO CSIフィードバック：UEでの機械学習を回避する方法は？

文献において、機械学習（ML）は基地局（BS）およびユーザー機器（UE）で下りチャネル状態情報（CSI）の精度を向上させるために実装されています。しかし、UEでのMLの実装は、UEの電力消費などのさまざまな理由から実現が難しい場合があります。この問題に動機を得て、UEでのMLを回避するために、CSILaBSと呼ばれるBSでのCSI学習メカニズムを提案します。この目的のために、BSでチャネル予測器（CP）を活用して、UEでのフィードバック評価のための軽量な予測関数（PF）を考慮します。CSILaBSは、空中（OTA）フィードバックオーバーヘッドを削減し、CSI品質を向上させ、UEの計算コストを低減します。さらに、マルチユーザー環境において、PFを利用してフィードバックを選択するためのさまざまなメカニズムを提案し、CSI精度の向上を目指します。また、NeuralProphet（NP）などのさまざまなMLベースのCPについても論じます。さらに、統計モデルとMLを組み合わせて使用するインスピレーションを受け、新しいハイブリッドフレームワークを提案します。このフレームワークはリカレントニューラルネットワークとNPで構成され、個別モデルよりも優れた予測精度を提供します。CSILaBSの性能は、Nokia Bell-Labsで記録された実証データセットを通じて評価されます。結果は、UEでのML排除がプレコーディング品質などの性能向上を維持できることを示しています。