MAP-Based Task-Oriented Precoding for Multiuser Communication

Sintesi Tecnica: Precoding Orientato ai Task Basato su MAP per la Comunicazione Multiutente

Problematica
Il documento affronta i limiti degli esistenti framework di comunicazione orientata ai task e semantica nei sistemi di classificazione wireless distribuiti. Mentre i sistemi convenzionali si concentrano sulla minimizzazione della distorsione del segnale o sulla massimizzazione dell'informazione mutua, questi obiettivi non sono esplicitamente allineati con le prestazioni del task finale (ad esempio, l'accuratezza della classificazione). Gli approcci basati sull'apprendimento esistenti, come il Deep Joint Source–Channel Coding (JSCC) o i metodi che utilizzano il criterio di Maximal Coding Rate Reduction (MCR²), spesso si affidano a obiettivi surrogati che richiedono operazioni computazionalmente onerose, tra cui ripetute inversioni di matrici di covarianza e decomposizioni in autovettori. Inoltre, questi metodi possono mostrare sensibilità agli iperparametri e non riescono a ottimizzare direttamente la regola decisionale di Massima Probabilità a Posteriori (MAP) sotto l'effetto delle degradazioni del canale.

Metodologia
Gli autori propongono un framework unificato per la comunicazione multiutente distribuita che ottimizza congiuntamente l'estrazione delle feature e il precoding lineare basandosi su una formulazione approssimata dell'errore MAP. Il sistema è composto da $K$ dispositivi edge che trasmettono vettori di feature estratti da osservazioni ad alta dimensionalità $s_k$ tramite una rete neurale $f_\theta(\cdot)$. Queste feature vengono precodificate da matrici $V_k$ e trasmesse attraverso un canale di fading di Rayleigh a un server con $M$ antenne di ricezione.

1. Modello di Sistema: Il sistema modella la trasmissione di vettori di feature $x_k$ estratti da osservazioni ad alta dimensionalità $s_k$ tramite una rete neurale $f_\theta(\cdot)$. Queste feature sono precodificate dalle matrici $V_k$ e trasmesse attraverso un canale Rayleigh a un server con $M$ antenne di ricezione.
2. Design Basato su MAP:
   • Approssimazione del Ricevitore: Assumendo distribuzioni di feature condizionate alla classe di tipo Gaussiano, gli autori derivano un rilevatore MAP trattabile. Per evitare l'onere computazionale dell'inversione della matrice di covarianza completa $K_j$, impiegano un'approssimazione in cui la covarianza è trattata come una matrice identità scalata ($K_j \approx \delta_H I_{MT}$). Ciò semplifica il rilevatore in una metrica basata sulla distanza dipendente dalle medie di classe.
   • Limite di Errore: La probabilità di errore di classificazione è limitata superiormente tramite un limite di unione a coppie (pairwise union bound) che coinvolge la funzione $Q$ della distanza tra le medie di classe nello spazio del segnale ricevuto.
3. Ottimizzazione del Trasmettitore:
   • Estrazione delle Feature: Una rete neurale viene addestrata per minimizzare una funzione di perdita derivata dal limite di errore a coppia sotto un'ipotesi di canale privo di rumore nominale. Questa perdita promuove la separazione delle medie delle feature dipendenti dalla classe ($\mu_j$) senza richiedere la stima della covarianza.
   • Design del Precoder: La matrice di precoding $V$ è ottimizzata per minimizzare l'approssimazione dell'errore MAP a coppia sotto un vincolo di potenza di trasmissione. La funzione $Q$ non convessa viene approssimata da una surrogata esponenziale, consentendo l'uso di uno schema di discesa del gradiente proiettato per aggiornare il precoder.
4. Riduzione della Complessità: Il metodo proposto evita esplicitamente la complessità $O(BD^2 + CD^3)$ associata ai metodi basati su MCR² (che richiedono la stima della covarianza e calcoli di log-determinante) e la complessità $O(D^3 + CM^3T^3)$ dei metodi di block coordinate ascent utilizzati in altri precoder. Inveve, il metodo proposto si basa sulla separazione delle medie a coppie, risultando in una complessità di $O(DC^2)$ per l'apprendimento delle feature e $O(C^2 N_k K T (D_k + M))$ per il precoding.

Contributi Chiave

• Allineamento Diretto al Task: Il framework punta direttamente alle prestazioni decisionali MAP post-canale piuttosto che affidarsi a obiettivi indiretti di ricostruzione o di informazione mutua.
• Ottimizzazione Trattabile: Approssimando la matrice di covarianza influenzata dal canale, gli autori derivano un design che elimina la necessità di ripetute inversioni di covarianza e decomposizioni in autovettori.
• Ottimizzazione Congiunta: Il documento presenta un design coerente sia per l'estrattore di feature basato sull'apprendimento che per il precoder lineare, ottimizzati sotto un obiettivo unificato guidato da MAP.
• Efficienza Computazionale: Il metodo proposto riduce significativamente la complessità computazionale rispetto agli schemi state-of-the-art orientati al task come MCR² e i precoder basati su LMMSE.

Risultati Numerici
Le simulazioni sono state condotte utilizzando il dataset CIFAR-10 con una configurazione distribuita che prevede due viste per campione e backbone ResNet-18.

• Estrazione delle Feature: L'estrattore di feature proposto ha raggiunto un'accuratezza di test e un comportamento di convergenza comparabili al metodo MCR² [8] attraverso gli epoche di addestramento. Tuttavia, a differenza di MCR², che mostrava una forte sensibilità all'iperparametro $\epsilon$ (con prestazioni ottimali a $\epsilon=5$ e degradamento altrimenti), il metodo proposto ha dimostrato robustezza senza parametri di tuning sensibili.
• Performance del Precoding: Il precoder proposto ha ottenuto un'accuratezza di classificazione superiore sia rispetto al precoder MCR² che rispetto al baseline LMMSE [5] al variare del numero di antenne di ricezione.
• Complessità: I risultati hanno confermato che il metodo proposto raggiunge prestazioni superiori riducendo simultaneamente la complessità computazionale evitando costose operazioni matriciali.

Significatività e Rivendicazioni
Il documento afferma che la sua principale significatività risiede nel colmare il divario tra la rappresentazione delle feature basata sull'apprendimento e l'elaborazione del segnale consapevole del canale attraverso un framework unificato a bassa complessità. Derivando un obiettivo trattabile di separazione delle medie di classe, gli autori dimostrano che è possibile migliorare la separabilità delle classi dopo la distorsione del canale senza l'overhead computazionale dei metodi basati sulla covarianza. Il lavoro asserisce che questo approccio offre un'alternativa più stabile ed efficiente per i sistemi wireless orientati ai task di prossima generazione, ottenendo un'accuratezza di classificazione più elevata con un costo computazionale ridotto rispetto agli schemi esistenti.