使用GNN和CNNs理解学习预编码策略的性能
摘要：基于学习的预编码在实时中已有实现的例子，可与信道获取共同优化，并且对于不完美的信道具有稳健性。然而，以往的研究很少解释设计选择和学习性能，现有的方法要么训练复杂度高，要么依赖于问题特定的模型。在本文中，我们通过分析预编码策略的属性和神经网络的归纳偏置来解决这些问题，注意到学习性能可以分解为逼近误差和估计误差，前者与策略的平滑性相关，两者都依赖于神经网络的归纳偏置。为此，我们引入了图神经网络(GNN)来学习预编码策略，并分析了它与通常使用的卷积神经网络(CNN)之间的联系。通过以和为例的最大化预编码策略，我们解释了为什么学到的预编码策略在低信噪比区域，空间不相关信道和用户数量远少于天线数量时表现良好，以及为什么GNN比CNN具有更高的学习效率。广泛的仿真验证了我们的分析，并评估了GNN的泛化能力。
作者：Baichuan Zhao, Jia Guo, Chenyang Yang
论文ID：2211.14775
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-08-31