In den letzten Jahren sind Maschinenlernen (ML) Methoden in drahtlosen Kommunikationssystemen für verschiedene Anwendungen zunehmend populär geworden. Ein kritisches Nadelöhr bei der Gestaltung von ML-Systemen für drahtlose Kommunikation ist die Verfügbarkeit realistischer Datensätze über drahtlose Kanäle, deren Herstellung extrem ressourcenintensiv ist. In diesem Zusammenhang spielt die Generierung realistischer Drahtloskanäle eine Schlüsselrolle bei der anschließenden Entwicklung effektiver ML-Algorithmen für drahtlose Kommunikationssysteme. Generative Modelle wurden vorgeschlagen, um Kanalmatrizen zu synthetisieren, aber die von solchen Methoden erzeugten Ausgaben können nicht mit geometrisch tragfähigen Kanälen übereinstimmen und bieten keine Einblicke in das generierte Szenario. In dieser Arbeit zielen wir darauf ab, beide Probleme anzugehen, indem wir etablierte parametrische, physikbasierte geometrische Kanal (PPGC) Modellierungsrahmen mit generativen Methoden kombinieren, um realistische Kanalmatrizen mit interpretierbaren Darstellungen im Parameteraum zu erzeugen. Wir zeigen, dass generative Modelle zu unverhältnismäßig suboptimalen stationären Punkten konvergieren, wenn sie die zugrunde liegende Prior direkt über die Parameter lernen, aufgrund des nicht-konvexen PPGC-Modells. Um diese Einschränkung zu adressieren, schlagen wir eine linearisierte Reformulierung des Problems vor, die einen reibungslosen Gradientenfluss während des Trainings des generativen Modells sicherstellt und dabei auch Einblicke in die zugrunde liegende physikalische Umgebung liefert. Wir bewerten unser Modell anhand vorheriger Basislinien, indem wir die generierten, szenariospezifischen Proben hinsichtlich des 2-Wasserstein-Abstands vergleichen und deren Nützlichkeit bei nachgelagerten Komprimierungsaufgaben untersuchen.
Wagle et al. (Sat,) untersuchten diese Frage.