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

Sintesi Tecnica: Apprendimento Bayesiano Sparso Cross-Predittivo per la Stima del Canale in Sistemi XL-MIMO

Enunciato del Problema
La stima accurata del canale rappresenta una sfida critica nei sistemi multiple-input multiple-output (MIMO) su scala estremamente grande (XL-MIMO). Poiché tali sistemi operano con aperture elettricamente grandi e alte frequenze portanti (dalle bande FR3 fino alle bande sub-THz), transitano dai regimi di propagazione in campo lontano a quelli in campo vicino. Nel campo vicino, i fronti d'onda sono sferici anziché planari, creando un accoppiamento tra angoli e distanze. Di conseguenza, la sparsità del canale si manifesta nel dominio polare (angolo-distanza) piuttosto che nel dominio angolare.

Sebbene l'Apprendimento Bayesiano Sparso (SBL) costituisca un framework robusto per sfruttare la sparsità del canale, le implementazioni standard presentano limitazioni significative:

1. Disallineamento del Prior Parametrico: L'SBL si basa tipicamente su prior inverse-gamma scelti per la trattabilità analitica piuttosto che per la fedeltà alla distribuzione effettiva dei dati. Tale disallineamento può portare a un'eccessiva contrazione o a una sottostima delle componenti del canale.
2. Sensibilità agli Ipereparametri: Le prestazioni dell'SBL di base dipendono spesso da ipereparametri tarati manualmente (ad esempio, gradi di libertà, parametri di forma e di scala), che potrebbero non generalizzare bene attraverso diversi rapporti segnale-rumore (SNR), lunghezze dei piloti o livelli di sparsità del canale.
3. Scarsità di Dati: L'alta dimensionalità dei canali XL-MIMO, combinata con risorse di pilotaggio limitate, rende inefficienti gli approcci di stima convenzionali.

Metodologia
Gli autori propongono l'Apprendimento Bayesiano Sparso Cross-Predittivo (CP-SBL), una variante guidata dai dati dell'SBL che sostituisce la massimizzazione della verosimiglianza marginale tradizionale con un obiettivo cross-predittivo randomizzato.

• Meccanismo Principale: Invece di ottimizzare i pesi basandosi su prior parametrici fissi, il CP-SBL apprende pesi induttori di sparsità minimizzando una perdita predittiva derivata dalla divisione casuale dei dati.
• Processo Algoritmico:
  1. Ad ogni iterazione, il vettore di misurazione osservato viene partizionato casualmente in due sottoinsiemi disgiunti ($I_1$ e $I_2$).
  2. Una stima del canale viene ricostruita utilizzando il primo sottoinsieme ($I_1$) e il vettore di pesi corrente.
  3. Le prestazioni predittive vengono valutate assessando quanto bene questa ricostruzione spiega le misurazioni nel secondo sottoinsieme ($I_2$).
  4. L'errore cross-predittivo risultante funge da funzione di perdita. I pesi vengono aggiornati tramite discesa del gradiente (utilizzando l'ottimizzatore Adam) per minimizzare tale errore, creando efficacemente un "prior" adattivo e non parametrico che si allinea con i dati osservati.
• Base Teorica: Il metodo mantiene la struttura bayesiana gerarchica dell'SBL standard. L'obiettivo cross-predittivo agisce come regolarizzatore sul processo di apprendimento dei pesi, guidando il modello verso prior che massimizzano la coerenza predittiva piuttosto che la verosimiglianza sotto ipotesi potenzialmente disallineate. L'approccio è interpretato come discesa del gradiente stocastica su un obiettivo di validazione atteso.
• Complessità: Il CP-SBL mantiene lo stesso ordine di complessità computazionale dominante per iterazione dell'SBL di base ($O(Q^3)$, dove $Q$ è la dimensione della griglia), principalmente a causa delle inversioni di matrice. Sebbene possa richiedere leggermente più iterazioni per convergere, il costo computazionale complessivo rimane comparabile.

Contributi Chiave

1. Strategia di Addestramento Innovativa: Il documento introduce il CP-SBL, che sostituisce l'ottimizzazione della verosimiglianza marginale con un criterio predittivo derivato dalla divisione casuale dei dati.
2. Applicabilità al Campo Vicino: Il metodo è dimostrato per la stima del canale in campo vicino, affrontando scenari in cui i fronti d'onda sferici e le risposte dell'array dipendenti dalla distanza invalidano le ipotesi di sparsità convenzionali in campo lontano.
3. Operatività Senza Taratura: Il framework opera senza taratura manuale degli ipereparametri, eliminando la necessità di calibrazione empirica e migliorando la robustezza attraverso diverse configurazioni di sistema.

Risultati Numerici
Sono state condotte simulazioni Monte Carlo per la stima del canale in uplink in un sistema XL-MIMO con un array lineare uniforme (ULA) in condizioni di campo vicino. Il CP-SBL proposto è stato confrontato con l'SBL Potenziato (E-SBL) e il Message Passing Variazionale (VMP).

• Prestazioni SNR: Il CP-SBL ha raggiunto costantemente un Errore Quadratico Medio Normalizzato (NMSE) inferiore rispetto all'E-SBL e al VMP su un'ampia gamma di SNR. A un SNR di 10 dB, il CP-SBL ha dimostrato una riduzione del 60% dell'NMSE rispetto all'E-SBL.
• Numero di Antenne: All'aumentare del numero di antenne ($M$), il CP-SBL ha mantenuto un vantaggio prestazionale, suggerendo che sfrutta più efficacemente la struttura di sparsità dei canali in campo vicino in array di grandi dimensioni.
• Lunghezza del Pilota: Il miglioramento relativo del CP-SBL rispetto alle linee di base è diventato più pronunciato all'aumentare della lunghezza del pilota ($N$), indicando un utilizzo efficace delle risorse di pilotaggio aggiuntive.
• Livelli di Sparsità: In scenari con meno percorsi di propagazione (maggiore sparsità), il CP-SBL ha mostrato guadagni prestazionali più significativi. Man mano che il canale diventava meno sparso (più percorsi), le prestazioni di tutti i metodi si sono degradate, ma il CP-SBL è rimasto superiore per bassi numeri di percorsi.

Significato e Affermazioni
Il documento afferma che il CP-SBL offre un'alternativa pratica e robusta all'SBL di base per la stima del canale in sistemi XL-MIMO. Spostandosi dalle ipotesi di prior parametrici a un criterio di coerenza predittiva, il metodo si adatta alle statistiche specifiche dei dati osservati senza richiedere taratura manuale. Gli autori affermano che questo approccio migliora l'accuratezza della stima attraverso vari SNR, lunghezze dei piloti, numeri di antenne e numeri di percorsi di propagazione, mantenendo al contempo una complessità computazionale comparabile ai metodi SBL esistenti. La rimozione della calibrazione empirica è evidenziata come un fattore chiave nel migliorare la riproducibilità e la praticità per le implementazioni nel mondo reale.