Inference-Optimal ISAC via Task-Oriented Feature Transmission and Power Allocation

Resumen Técnico: ISAC Óptimo para Inferencia mediante Transmisión de Características Orientada a Tareas y Asignación de Potencia

Enunciado del Problema
Los sistemas de Sensado y Comunicación Integrados (ISAC) buscan maximizar la "ganancia de coordinación" optimizando conjuntamente los recursos de sensado y comunicación (S&C). Mientras que la literatura existente se centra a menudo en tareas de estimación de parámetros (por ejemplo, ángulo o velocidad) utilizando esquemas de Estimación y Compresión (EC), muchas tareas complejas de inferencia (por ejemplo, reconocimiento de patrones) requieren la descarga de cómputo a servidores periféricos debido a las capacidades limitadas de los dispositivos locales. Esto hace necesario un marco de Compresión y Estimación (CE) donde se transmiten características crudas o comprimidas para su inferencia remota.

El desafío central abordado en este trabajo es el diseño de transceptores S&C bajo el marco CE para maximizar el rendimiento de la inferencia. La optimización directa de métricas de inferencia (como la probabilidad de error de clasificación) es analíticamente intratable. En consecuencia, trabajos anteriores suelen depender de métricas sustitutas como el Error Cuadrático Medio (MSE). Este artículo investiga si maximizar el MSE es óptimo para tareas de inferencia o si una métrica específicamente adaptada a la clasificación, como la Ganancia Discriminante (DG), produce un rendimiento y una eficiencia de recursos superiores.

Metodología
Los autores proponen un modelo de sistema donde un dispositivo ISAC transmite señales de sondeo para detectar un objetivo, extrae características del eco y reenvía estas características a un receptor para su clasificación. El sistema opera bajo una restricción total de potencia compartida entre el sensado ($P_r$) y la comunicación ($P_c$).

1. Modelado del Sistema:

   • Sensado: El dispositivo utiliza señales de Onda Continua Modulada en Frecuencia (FMCW). El eco se procesa mediante compresión de pulsos y Transformada de Fourier de Tiempo Corto (STFT) para generar una matriz tiempo-frecuencia.
   • Extracción de Características: Se aplica Análisis de Componentes Principales (PCA) para extraer un vector de características $\tilde{x} = x + d$, donde $x$ es la característica de verdad fundamental y $d$ es el ruido de sensado. Las características se modelan siguiendo una distribución gaussiana multivariada.
   • Transmisión: Las características se transmiten a través de un canal de desvanecimiento en bloque utilizando subportadoras paralelas. La señal recibida se escala para recuperar las características.

2. Caracterización de la Métrica de Inferencia:

   • El artículo establece que la probabilidad de error de inferencia ($P_e$) está acotada inferiormente por una función monótona de la Ganancia Discriminante mínima ($DG_{min}$) entre clases.
   • $DG$ se define como la distancia de Mahalanobis entre las distribuciones de clases, normalizada por la varianza. Los autores demuestran que minimizar el límite de error es equivalente a maximizar $DG_{min}$.

3. Diseño y Optimización del Transceptor:

   • Caso de Portadora Única: Los autores derivan soluciones de forma cerrada para diseños de transceptores óptimos en MSE y óptimos en DG. Demuestran que, para una única dimensión de característica, ambos criterios producen un rendimiento idéntico.
   • Caso de Múltiples Portadoras: El análisis se extiende a múltiples dimensiones de características ($M > 1$). Los problemas de optimización tanto para MSE como para DG se formulan como problemas convexos.
     • Óptimo en MSE: Da lugar a una estructura de llenado de agua que asigna potencia basándose en las condiciones del canal y la varianza de las características.
     • Óptimo en DG: Introduce un término de ponderación adicional basado en la separabilidad de clases ($|\mu_{0,n} - \mu_{1,n}|$). Esto conduce a una estrategia de asignación de potencia "selectiva", particularmente en regímenes de baja Relación Señal-Ruido (SNR), donde la potencia se concentra en características altamente discriminativas, apagando potencialmente las no informativas.

4. Asignación Conjunta de Potencia:

   • El artículo formula un problema de optimización conjunta para $P_r$ y $P_c$. Dado que maximizar DG es equivalente a maximizar la potencia de sensado efectiva en sistemas FMCW, los autores proponen una búsqueda unidimensional a lo largo de la línea de restricción de potencia para encontrar la división óptima entre la potencia de sensado y la de comunicación.

Contribuciones Clave

• Caracterización Teórica: El trabajo proporciona un análisis teórico que vincula los límites de la probabilidad de error de inferencia directamente con la Ganancia Discriminante, estableciendo a DG como una métrica manejable y relevante para tareas de inferencia ISAC.
• Soluciones de Forma Cerrada: Los autores derivan diseños de transceptores explícitos para los criterios óptimos en DG y óptimos en MSE. Estas soluciones revelan estructuras del tipo llenado de agua y destacan los compromisos explícitos entre los recursos S&C.
• Perspectiva de Eficiencia Energética: Una contribución principal es la revelación de que el diseño óptimo en DG es más eficiente en potencia que el diseño óptimo en MSE convencional, especialmente en regímenes de baja SNR. Al asignar selectivamente potencia a características informativas, el enfoque óptimo en DG ahorra potencia de transmisión.
• Coordinación de Recursos: El artículo demuestra que la potencia ahorrada mediante la comunicación óptima en DG puede reasignarse a la función de sensado, mejorando así la ganancia de coordinación general del sistema ISAC.

Resultados
Se realizaron experimentos numéricos utilizando conjuntos de datos de reconocimiento de postura humana con clasificadores de Perceptrón Multicapa (MLP) y Máquina de Vectores de Soporte (SVM).

• Comparación de Rendimiento: En regímenes de baja SNR, el diseño óptimo en DG supera significativamente al diseño óptimo en MSE en términos de precisión de inferencia. El enfoque óptimo en DG logra mayor precisión con menos potencia de comunicación.
• Selección de Características: Los resultados confirman que los diseños óptimos en DG asignan selectivamente potencia a características con alta ganancia discriminativa, mientras que los diseños óptimos en MSE tienden a distribuir la potencia de manera más uniforme, desperdiciando potencialmente recursos en características no informativas.
• Matrices de Confusión: Los diseños óptimos en DG producen una precisión de clasificación más equilibrada entre diferentes categorías en comparación con los diseños óptimos en MSE.
• Compromiso de Potencia: A medida que aumenta la SNR de comunicación, la ganancia marginal de potencia de comunicación adicional disminuye, y la estrategia óptima desplaza la potencia hacia el sensado. La brecha de rendimiento entre los diseños DG y MSE se estrecha a alta SNR, lo cual es consistente con las expectativas teóricas.

Significado
El artículo afirma que la optimización de sistemas ISAC para tareas de inferencia requiere un cambio desde los criterios tradicionales basados en MSE hacia la maximización de la Ganancia Discriminante orientada a la tarea. El significado radica en demostrar que este cambio permite un uso más eficiente del presupuesto de potencia compartido. Al reducir la potencia requerida para la comunicación para lograr una precisión de inferencia objetivo, el sistema puede asignar la potencia ahorrada al sensado, mejorando así el rendimiento general del sistema. Este trabajo proporciona un marco fundamental para el diseño ISAC "orientado a la inferencia", ofreciendo soluciones de forma cerrada que facilitan la implementación práctica de transceptores y la gestión de recursos en redes 6G.