Cross-Predictive Sparse Bayesian Learning with Application to XL-MIMO Channel Estimation

Resumen Técnico: Aprendizaje Bayesiano Escaso Cross-Predictivo para Estimación de Canales XL-MIMO

Enunciado del Problema
La estimación precisa del canal es un desafío crítico en los sistemas de entrada múltiple y salida múltiple de escala extremadamente grande (XL-MIMO). A medida que estos sistemas operan con aperturas eléctricamente grandes y altas frecuencias portadoras (desde la banda FR3 hasta las bandas sub-THz), transitan de regímenes de propagación de campo lejano a de campo cercano. En el campo cercano, los frentes de onda son esféricos en lugar de planos, creando un acoplamiento entre ángulos y distancias. En consecuencia, la escasez del canal se manifiesta en el dominio polar (ángulo-distancia) en lugar del dominio angular.

Si bien el Aprendizaje Bayesiano Escaso (SBL) es un marco robusto para explotar la escasez del canal, las implementaciones estándar enfrentan limitaciones significativas:

1. Inadecuación del Prior Paramétrico: El SBL suele depender de priores inverso-gamma elegidos por su tratabilidad analítica en lugar de su fidelidad a la distribución real de los datos. Esta inadecuación puede provocar una sobre-reducción o una subestimación de los componentes del canal.
2. Sensibilidad a los Hiperparámetros: El rendimiento del SBL de referencia a menudo depende de hiperparámetros ajustados manualmente (por ejemplo, grados de libertad, parámetros de forma y escala), los cuales pueden no generalizarse bien a través de diferentes relaciones señal-ruido (SNR), longitudes de piloto o niveles de escasez del canal.
3. Escasez de Datos: La alta dimensionalidad de los canales XL-MIMO combinada con recursos de piloto limitados hace que los enfoques de estimación convencionales sean ineficientes.

Metodología
Los autores proponen el Aprendizaje Bayesiano Escaso Cross-Predictivo (CP-SBL), una variante impulsada por datos del SBL que reemplaza la maximización tradicional de la verosimilitud marginal con un objetivo cross-predictivo aleatorizado.

• Mecanismo Central: En lugar de optimizar pesos basados en priores paramétricos fijos, el CP-SBL aprende pesos que inducen escasez minimizando una pérdida predictiva derivada de una división aleatoria de los datos.
• Proceso Algorítmico:
  1. En cada iteración, el vector de mediciones observado se divide aleatoriamente en dos subconjuntos disjuntos ($I_1$ y $I_2$).
  2. Se reconstruye una estimación del canal utilizando el primer subconjunto ($I_1$) y el vector de pesos actual.
  3. El rendimiento predictivo se evalúa midiendo qué tan bien esta reconstrucción explica las mediciones en el segundo subconjunto ($I_2$).
  4. El error cross-predictivo resultante sirve como función de pérdida. Los pesos se actualizan mediante descenso de gradiente (utilizando el optimizador Adam) para minimizar este error, creando efectivamente un "prior" adaptativo y no paramétrico que se alinea con los datos observados.
• Base Teórica: El método mantiene la estructura bayesiana jerárquica del SBL estándar. El objetivo cross-predictivo actúa como un regularizador en el proceso de aprendizaje de pesos, guiando al modelo hacia priores que maximizan la consistencia predictiva en lugar de la verosimilitud bajo suposiciones potencialmente inadecuadas. El enfoque se interpreta como un descenso de gradiente estocástico sobre un objetivo de validación esperado.
• Complejidad: El CP-SBL conserva el mismo orden de complejidad computacional dominante por iteración que el SBL de referencia ($O(Q^3)$, donde $Q$ es el tamaño de la cuadrícula), principalmente debido a las inversiones de matrices. Aunque puede requerir ligeramente más iteraciones para converger, el costo computacional general sigue siendo comparable.

Contribuciones Clave

1. Estrategia de Entrenamiento Novel: El artículo introduce el CP-SBL, que sustituye la optimización de la verosimilitud marginal con un criterio predictivo derivado de una división aleatoria de datos.
2. Aplicabilidad en Campo Cercano: El método se demuestra para la estimación de canales en campo cercano, abordando escenarios donde los frentes de onda esféricos y las respuestas de la matriz dependientes de la distancia invalidan las suposiciones de escasez convencionales de campo lejano.
3. Operación Sin Ajuste: El marco opera sin ajuste manual de hiperparámetros, eliminando la necesidad de calibración empírica y mejorando la robustez a través de diversas configuraciones del sistema.

Resultados Numéricos
Se realizaron simulaciones de Monte Carlo para la estimación de canales de enlace ascendente en un sistema XL-MIMO con una matriz lineal uniforme (ULA) bajo condiciones de campo cercano. El CP-SBL propuesto se comparó con el SBL Mejorado (E-SBL) y el Paso de Mensajes Variacional (VMP).

• Rendimiento SNR: El CP-SBL logró consistentemente un Menor Error Cuadrático Medio Normalizado (NMSE) que el E-SBL y el VMP en un amplio rango de SNR. A una SNR de 10 dB, el CP-SBL demostró una reducción del 60% en el NMSE en comparación con el E-SBL.
• Número de Antenas: A medida que aumentaba el número de antenas ($M$), el CP-SBL mantuvo una ventaja de rendimiento, lo que sugiere que explota más efectivamente la estructura de escasez de los canales de campo cercano en matrices grandes.
• Longitud del Piloto: La mejora relativa del CP-SBL sobre las referencias se volvió más pronunciada a medida que aumentaba la longitud del piloto ($N$), indicando una utilización efectiva de los recursos de piloto adicionales.
• Niveles de Escasez: En escenarios con menos trayectorias de propagación (mayor escasez), el CP-SBL mostró ganancias de rendimiento más significativas. A medida que el canal se volvía menos escaso (más trayectorias), el rendimiento de todos los métodos se degradó, pero el CP-SBL permaneció superior para conteos de trayectorias más bajos.

Significado y Afirmaciones
El artículo afirma que el CP-SBL ofrece una alternativa práctica y robusta al SBL de referencia para la estimación de canales XL-MIMO. Al cambiar de suposiciones de prior paramétrico a un criterio de consistencia predictiva, el método se adapta a las estadísticas específicas de los datos observados sin requerir ajuste manual. Los autores afirman que este enfoque mejora la precisión de la estimación a través de diversas SNR, longitudes de piloto, conteos de antenas y números de trayectorias de propagación, manteniendo al mismo tiempo una complejidad computacional comparable a los métodos SBL existentes. La eliminación de la calibración empírica se destaca como un factor clave para mejorar la reproducibilidad y la practicidad para implementaciones en el mundo real.