⚡ electrical engineering

SEMIKHORN: Globally balanced affinities for mmWave Localization in MU mMIMO systems

Este artículo propone SEMIKHORN, un marco de mapeo de canales semisupervisado para la localización de mmWave en sistemas mMIMO multiusuario que utiliza el algoritmo globalmente balanceado t-SNEkhorn para fusionar las disimilitudes de la información del estado del canal local, logrando un error de localización medio del 6,86 % con menos del 15 % de datos etiquetados.

Autores originales: Abhisha Garg, Raghav Shukla, Suraj Srivastava, Aditya K. Jagannatham

Publicado 2026-06-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Abhisha Garg, Raghav Shukla, Suraj Srivastava, Aditya K. Jagannatham

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando dibujar el mapa de una ciudad gigante y con niebla, pero no tienes un GPS. Solo tienes a un grupo de personas (los usuarios) paradas en la ciudad y unas pocas torres de radio (las estaciones base) que pueden "escuchar" sus voces. Las torres pueden decirte qué tan fuerte o clara es una voz y, a partir de ello, adivinar qué tan separados están dos personas.

Este artículo presenta una nueva forma más inteligente de dibujar ese mapa, llamada SEMIKHORN. Así es como funciona, desglosado en conceptos simples:

1. El Problema: El Mapa "Distorsionado"

Normalmente, cuando intentamos mapear estos usuarios basándonos en señales de radio, utilizamos una herramienta estándar llamada t-SNE. Piensa en t-SNE como un guía turístico muy entusiasta que intenta mantener a los amigos cerca unos de otros en un mapa. Sin embargo, este guía tiene un defecto: es un poco egocéntrico. Se asegura de que sus amigos inmediatos estén cerca, pero no le importa si todo el grupo termina aplastado en una esquina diminuta o estirado de forma extraña.

En términos técnicos, el t-SNE estándar crea vecindarios "desequilibrados". Algunas áreas del mapa quedan amontonadas, mientras que otras quedan vacías, distorsionando la verdadera forma de la ciudad.

2. La Solución: El Guía "Justo" (t-SNEkhorn)

Los autores crearon una nueva herramienta llamada t-SNEkhorn. Imagina que esto es un guía turístico súper justo que utiliza una regla matemática llamada "Transporte Óptimo Entrópico".

La Analogía: En lugar de mirar solo a los amigos de una persona, este guía mira a toda la multitud a la vez. Asegura que cada una de las personas tenga exactamente el mismo número de "vecinos" en el mapa.
El Resultado: Esto crea un mapa globalmente equilibrado. Nadie queda aplastado y nadie se pierde en el vacío. Las relaciones entre todos los usuarios se tratan de manera equitativa, preservando mucho mejor la verdadera forma de la ciudad que el método antiguo.

3. Recopilando Pistas de Múltiples Torres

En el mundo real, una sola torre de radio no puede ver toda la ciudad.

La Forma Antigua: Una sola torre dibuja un mapa local, que podría ser erróneo para las personas que están lejos.
La Nueva Forma (SEMIKHORN): El sistema pide a cinco torres diferentes que dibujen sus propios mapas locales. Luego, actúa como un editor sabio, combinando todos los cinco mapas en uno solo, el Mapa Global. Pesa las pistas basándose en qué tan clara es la señal (como confiar en una voz fuerte y clara por encima de un susurro).

4. El Truco "Semi-Supervisado" (Los Anclajes)

Para que el mapa sea preciso, el sistema necesita algunos "anclajes".

La Analogía: Imagina que estás dibujando el mapa de un bosque, pero no sabes dónde está el Polo Norte. Si colocas al 14% de los excursionistas en lugares donde ya sabes las coordenadas exactas (como un árbol famoso o una señal), el sistema puede usar esos puntos fijos para atraer el resto del mapa hacia la orientación correcta.
La Afirmación del Artículo: El sistema solo necesita estos "anclajes" etiquetados para una pequeña fracción de los usuarios (menos del 15%) para descubrir dónde se encuentra todo el mundo.

5. Midiendo la Distancia: "Manhattan" vs. "Euclidiana"

Cuando el sistema calcula qué tan separados están dos usuarios basándose en sus señales de radio, usualmente utiliza una medición de línea recta (Euclidiana).

El Giro del Artículo: Los autores descubrieron que en este entorno de alta tecnología, una medición "Manhattan" (como contar manzanas de ciudad: camina 3 manzanas al este, luego 4 al norte) funciona mejor. Es menos sensible a la estática y al ruido, ofreciendo una imagen más clara de quién está realmente cerca de quién.

6. Ajustando el Motor (Optimización Bayesiana)

Construir este mapa requiere ajustar muchos diales (como cuántos vecinos observar, o cuántos anclajes usar). En lugar de adivinar y probar, el sistema utiliza la Optimización Bayesiana.

La Analogía: Piensa en esto como un robot inteligente que juega al juego de "Caliente o Frío". Prueba una configuración, ve qué tan bueno es el mapa y luego adivina inteligentemente la siguiente configuración para acercarse aún más al mapa perfecto, en lugar de girar los diales al azar.

El Resultado Final

El artículo probó este sistema en una ciudad exterior simulada con un radio de 100 metros.

Precisión: El sistema logró una tasa de error muy baja (un error de aproximadamente 6.86% en un área circular).
Eficiencia: Lo hizo todo utilizando menos del 15% de los usuarios como "anclajes" conocidos.
Comparación: El nuevo mapa SEMIKHORN fue más preciso y mantuvo mucho mejor las relaciones de vecindad (continuidad) y la confiabilidad del mapa que el t-SNE estándar u otras técnicas de mapeo antiguas.

En resumen: El artículo presenta una forma más inteligente, justa y colaborativa de convertir señales de radio en un mapa de ubicación, asegurando que los "vecinos" en el mapa sean realmente vecinos en la vida real, incluso con muy poco conocimiento previo de dónde están paradas las personas.

Resumen Técnico: SEMIKHORN para Localización en mmWave

Planteamiento del Problema
La localización precisa de usuarios es un prerrequisito crítico para aprovechar todo el potencial de los sistemas massive MIMO de ondas milimétricas (mmWave). Aunque las posiciones absolutas no siempre son estrictamente necesarias para los servicios basados en la ubicación, preservar las relaciones de vecindad relativa (pseudo-ubicaciones) es esencial. Los marcos de trabajo de Channel Charting (CC) existentes, que aprenden representaciones latentes de la geometría de radio sin datos de verdad de terreno (ground-truth), enfrentan dos limitaciones primarias:

Cobertura Espacial Limitada: Los enfoques de una sola estación base (BS) capturan únicamente relaciones espaciales limitadas, lo que conduce a representaciones de vecindad distorsionadas para usuarios en diferentes celdas.
Sesgo Algorítmico en el Aprendizaje de Variedades (Manifold Learning): El estándar t-distributed Stochastic Neighbor Embedding (t-SNE), utilizado frecuentemente para CC, realiza una normalización de afinidad asimétrica. Esto resulta en representaciones de vecindad desequilibradas y distorsiona la geometría global. Además, los enfoques semi-supervisados existentes suelen depender de extensos datos etiquetados o modelos de aprendizaje profundo complejos que requieren recursos computacionales sustancialos y un ajuste cuidadoso de hiperparámetros.

Metodología
El artículo propone SEMIKHORN, un marco de trabajo de channel charting semi-supervisado diseñado para sistemas massive MIMO de mmWave multi-usuario (MU) con estaciones base distribuidas. La metodología se desarrolla a través de las siguientes etapas:

Modelado de Canal y Extracción de Características:
- El sistema considera $B$ estaciones base (BS) distribuidas, cada una equipada con $N$ antenas, sirviendo a $K$ usuarios de una sola antena.
- En lugar de los coeficientes de canal instantáneos, el marco utiliza el segundo momento bruto de la información del estado del canal (CSI), $R^b_k$ , ya que este evoluciona de forma más suave con la movilidad del usuario.
- Las características se extraen escalando el segundo momento bruto para contabilizar la pérdida de trayectoria (path loss) y transformándolas al dominio de beamspace mediante una matriz de transformada de Fourier.
- Se emplea una métrica de distancia de Manhattan (L1) para calcular la disimilitud entre usuarios. Los autores argumentan que, en espacios de alta dimensión, la métrica L1 proporciona una correlación más fuerte entre la disimilitud de las características y la verdadera separación física en comparación con la convencional métrica Euclídea (L2), la cual puede amplificar el ruido.
Construcción de la Matriz de Disimilitud:
- Cada BS construye una matriz de disimilitud local basada en su CSI observado.
- Estas matrices locales se fusionan en una única matriz de disimilitud global mediante un promedio ponderado. Los pesos se determinan por la Relación Señal-Ruido (SNR) de los enlaces, asegurando que se prioricen las contribuciones de CSI más fiables de estaciones base específicas.
t-SNEkhorn y Transporte Óptimo Entrópico:
- La innovación central reemplaza el t-SNE estándar con t-SNEkhorn, el cual utiliza transporte óptimo entrópico para construir afinidades por pares.
- A diferencia del t-SNE estándar, que normaliza las afinidades de forma independiente por punto de datos (estocasticidad por filas), t-SNEkhorn impone afinidades doblemente estocásticas (simétricas y con sumas de filas y columnas iguales a 1) utilizando el algoritmo de Sinkhorn-Knopp.
- Justificación Teórica: El artículo demuestra analíticamente que las matrices de afinidad no doblemente estocásticas en el t-SNE estándar introducen un límite inferior positivo en el objetivo de la divergencia de Kullback-Leibler (KL), limitando la optimización. Al imponer la doble estocasticidad, t-SNEkhorn elimina este límite inferior, permitiendo una minimización más efectiva del objetivo KL y produciendo grafos de vecindad equilibrados que se alinean con la suposición de usuarios distribuidos uniformemente.
Aprendizaje Semi-supervisado y Optimización:
- El marco incorpora un pequeño conjunto de posiciones de usuario etiquetadas como "anclas duras" (hard anchors) para inferir posiciones geográficas absolas para usuarios no etiquetados.
- El embedding se optimiza minimizando la divergencia KL entre la matriz de afinidad de alta dimensión ( $G^*$ ) y la matriz de afinidad de baja dimensión ( $B^*$ ), sujeto a la restricción de que los puntos etiquetados permanezcan fijos en sus coordenadas de verdad de terreno.
- Se emplea la Optimización Bayesiana para ajustar automáticamente los hiperparámetros críticos (específicamente la perplejidad y el número de anclas duras) para minimizar el Error de Localización Medio (MLE), evitando el ajuste manual.

Contribuciones Clave

Primera Aplicación de Afinidades Doblemente Estocásticas: El artículo introduce la primera aplicación de afinidades entrópicas simétricas y doblemente estocásticas (vía t-SNEkhorn) para la localización inalámbrica semi-supervisada, reemplazando la proyección Euclídea sobre matrices simétricas utilizada en el t-SNE estándar.
Mejora Teórica en la Optimización: Proporciona una prueba analítica de que imponer la doble estocasticidad relaja el límite inferior positivo en el objetivo de la divergencia KL, mejorando así la fidelidad del embedding.
Reformulación de la Métrica: El marco reformula la medida de disimilitud utilizando la métrica de Manhattan (L1), demostrando su superior correlación con la proximidad espacial en comparación con la métrica Euclídea en espacios de características de canal de alta dimensión.
Ajuste Automático de Hiperparámetros: La integración de la optimización bayesiana para determinar los parámetros óptimos de embedding, logrando ganancias sustanciales en la confiabilidad y la reducción del error de localización.

Resultados Experimentales
El marco fue evaluado en un entorno simulado al aire libre con 5 estaciones base de mmWave distribuidas y 2048 usuarios distribuidos uniformemente dentro de un radio de 100 m.

Desempeño: SEMIKHORN logró un Error de Localización Medio (MLE) del 6.86% dentro de la vecindad circular.
Eficiencia de Datos: El marco requirió menos del 15% de las muestras de CSI etiquetadas para alcanzar estos resultados.
Análisis Comparativo: En comparación con las técnicas de vanguardia (t-SNE estándar, Laplacian Eigenmaps, Kernel PCA, Sammon Mapping), SEMIKHORN demostró una continuidad (0.95–0.98) y confiabilidad (0.95–0.97) superiores. Los resultados indican que la formulación doblemente estocástica mitiga eficazmente el sesgo hacia regiones densas presente en el t-SNE estándar, preservando tanto la topología global como la continuidad de la vecindad local.
Validación de la Métrica: Las visualizaciones y los gráficos de correlación confirmaron que la métrica de distancia de Manhattan proporcionó una discriminación más clara de las muestras de CSI espacialmente distintas en comparación con la métrica Euclídea.

Significancia
El artículo afirma que SEMIKHORN ofrece una solución robusta y escalable para la localización en mmWave que no depende de conjuntos de datos etiquetados extensos ni de modelos de aprendizaje profundo computacionalmente pesados. Al aprovechar afinidades globalmente equilibradas mediante el transporte óptimo entrópico, el marco asegura una representación de vecindad consistente en toda la red, abordando las limitaciones de los enfoques de una sola BS y las distorsiones geométricas de las técnicas de aprendizaje de variedades estándar. El uso de la optimización bayesiana mejora aún más la practicidad del marco al automatizar el proceso de ajuste para minimizar el error de localización.