Multi-Objective Dataset Optimization for Learning-Based DC-Bias Prediction in DCO-OFDM

Sintesi Tecnica: Ottimizzazione di Dataset Multi-Obiettivo per la Predizione del Bias DC basata su Apprendimento nel DCO-OFDM

Definizione del Problema
Nei sistemi di Comunicazione a Luce Visibile (VLC) che utilizzano l'Orthogonal Frequency Division Multiplexing con Corrente Continua Diretta (DCO-OFDM), la selezione del bias DC è un parametro di progettazione critico. Esso influenza direttamente metriche di prestazione interdipendenti: Bit Error Rate (BER), Peak-to-Average Power Ratio (PAPR) e rumore di clipping. Mentre la letteratura esistente ha affrontato ampiamente l'ottimizzazione del bias DC tramite algoritmi euristici o machine learning (ML) per specifiche istanze di trasmissione, rimane una lacuna significativa a livello di dataset. Gli approcci attuali si affidano tipicamente a simulazioni esaustive di tipo "brute-force" per generare dati di addestramento, il che spesso risulta in campioni ridondanti e in una mancanza di ottimizzazione sistematica per catturare i compromessi multi-obiettivo. Inoltre, gli studi basati su ML esistenti si concentrano sul miglioramento dei modelli predittivi senza validare se il dataset sottostante sia esso stesso strutturato in modo ottimale per l'apprendimento. Esiste una mancanza di un framework sistematico per generare, selezionare e validare un dataset ottimizzato che rifletta le complesse relazioni tra le statistiche del segnale e i valori di bias ottimali per un apprendimento generalizzato.

Metodologia
Gli autori propongono un framework sistematico che sposta l'attenzione dall'ottimizzazione a livello di istanza all'modellazione centrata sui dati (data-centric). La metodologia procede attraverso quattro fasi principali:

1. Generazione del Dataset Raw: Un dataset raw ad alta dimensionalità viene costruito tramite simulazione esaustiva in MATLAB. Il processo prevede la generazione di 5.000 simboli DCO-OFDM con modulazione 4-QAM e una lunghezza del simbolo di 2048. I valori di bias DC vengono variati da 2 dB a 12 dB (con incrementi di 0,05 dB) attraverso valori di Rapporto Segnale-Rumore (SNR) compresi tra 8 dB e 25 dB. Per ogni configurazione, vengono estratti le caratteristiche statistiche (minimo, massimo, media e deviazione standard del segnale pre-bias) e le metriche di prestazione (BER medio, PAPR e potenza del rumore di clipping). Ciò produce un dataset raw di 5000 simboli $\times$ 201 livelli di bias.

2. Ottimizzazione Multi-Obiettivo del Dataset: Il problema viene riformulato come un compito di ottimizzazione multi-obiettivo per selezionare i campioni più idonei dal dataset raw. Viene definita una funzione obiettivo $J$ come una somma pesata delle metriche di prestazione: $J = 0,5 \times \text{BER} + 0,3 \times \text{PAPR} + 0,2 \times \text{Rumore di Clipping}$. Vengono applicate sei tecniche di ottimizzazione per estrarre i campioni ottimali (righe) per ogni simbolo:

   • Algoritmo Genetico (GA)
   • Ottimizzazione a Sciame di Particelle (PSO)
   • Informazione Mutua (MI) con pesi statici (MI-static)
   • Informazione Mutua (MI) con pesi dinamici (MI-dynamic)
   • Ottimizzazione Pareto
   • Tecnica per l'Ordine delle Preferenze per Similarità alla Soluzione Ideale (TOPSIS)

3. Framework di Valutazione Multi-Stadio: I sei dataset risultanti vengono valutati attraverso un processo rigoroso a più stadi:

   • Analisi Statistica: Esame del comportamento dei valori di bias selezionati attraverso i livelli di SNR per garantire adattabilità e significatività fisica.
   • Valutazione Basata sulle Prestazioni: Confronto tra il BER, il PAPR e il rumore di clipping derivanti dai diversi ottimizzatori.
   • Scoring Composto: Un punteggio unificato derivato da metriche normalizzate per valutare l'equilibrio complessivo del compromesso (trade-off).
   • Test di Significatività Statistica: Un test di Wilcoxon signed-rank non parametrico viene applicato per confrontare le distribuzioni del BER dei metodi con le migliori prestazioni.

4. Validazione tramite Machine Learning: Come criterio finale di validazione, i dataset generati dai principali contendenti vengono utilizzati per addestrare sette modelli di regressione (Regressione Lineare, Decision Tree, Random Forest, Gradient Boosting, XGBoost, SVR e kNN). I dataset vengono valutati in base alla loro capacità di supportare una modellazione predittiva accurata, misurata tramite $R^2$, RMSE e MAE.

Contributi Chiave
Il documento delinea cinque contributi primari:

1. Riformulazione a Livello di Dataset: Il lavoro riformula il problema del bias DC dall'ottimizzazione a livello di istanza all'ottimizzazione a livello di dataset, mirando a costruire un dataset strutturato che catturi le relazioni sottostanti per una migliore generalizzazione del ML.
2. Generazione Sistematica dei Dati: La creazione di un dataset ad alta dimensionalità che varia il bias DC attraverso molteplici condizioni di SNR, estraendo sia le caratteristiche statistiche del segnale che le metriche di prestazione.
3. Analisi Comparativa dell'Ottimizzazione: Un confronto esaustivo di sei distinte tecniche di ottimizzazione (GA, PSO, MI-static/dynamic, Pareto, TOPSIS) per l'estrazione di campioni ottimali basati su una funzione obiettivo pesata.
4. Nuovo Framework di Valutazione: L'introduzione di una strategia di valutazione multi-stadio che combina analisi statistica, metriche di prestazione, scoring composto e test di significatività statistica, culminando nella validazione tramite ML per valutare l'idoneità del dataset alla modellazione predittiva.
5. Fondamenta per il Lavoro Futuro: L'istituzione di un dataset strutturato e ottimizzato che funge da baseline per la futura stima del bias DC guidata dai dati e per sistemi di comunicazione adattivi.

Risultati
La valutazione ha prodotto i seguenti risultati:

• Comportamento degli Ottimizzatori: GA, PSO e i metodi basati su Pareto hanno prodotto valori di bias quasi costanti attraverso i livelli di SNR, indicando una mancanza di adattabilità alle variazioni del canale. Al contrario, MI-static, MI-dynamic e TOPSIS hanno dimostrato aumenti monotoni del bias con l'aumentare dell'SNR, coerentemente con il comportamento atteso del sistema.
• Compromessi di Prestazione: Mentre MI-dynamic ha ottenuto un basso PAPR e un basso rumore di clipping, ha prodotto prestazioni di BER inferiori a causa della sovrastima del bias. GA e PSO hanno minimizzato le singole metriche (PAPR/Rumore) ma non sono riusciti a bilanciare il compromesso, portando a un BER scarso.
• Principali Contendenti: MI-static e TOPSIS sono emersi come i metodi più efficaci, ottenendo un compromesso equilibrato. Il test di significatività statistica (Wilcoxon signed-rank) ha rivelato che MI-static ha performato meglio nei regimi di basso SNR, mentre TOPSIS ha superato l'altro nel regime di medio-alto SNR.
• Validazione ML: Quando utilizzati come dati di addestramento per modelli di regressione, il dataset basato su TOPSIS ha costantemente superato il dataset MI-static. Su molteplici modelli (ad es. XGBoost), il dataset TOPSIS ha raggiunto valori di $R^2$ più elevati (circa 0,9958 rispetto a 0,9946) e metriche di errore (RMSE e MAE) inferiori. Ciò indica che il dataset selezionato tramite TOPSIS possiede una superiore coerenza strutturale e apprendibilità.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro affronta una lacuna critica nella letteratura affrontando esplicitamente l'ottimizzazione del dataset piuttosto che solo del modello o dell'istanza. La significatività del lavoro risiede nel dimostrare che la qualità e la struttura dei dati di addestramento sono fattori decisivi per il successo della predizione del bias DC basata sull'apprendimento.

Il documento conclude che, sebbene MI-static e TOPSIS offrano prestazioni di comunicazione comparabili, il dataset basato su TOPSIS è la scelta ottimale per i framework basati sull'apprendimento. Questa selezione è guidata non meramente dalle metriche di comunicazione, ma dalla capacità superiore del dataset di supportare la modellazione predittiva, come dimostrato da una maggiore accuratezza e da tassi di errore inferiori attraverso diversi modelli di regressione. Il framework proposto fornisce una base per lo sviluppo di sistemi DCO-OFDM adattivi e guidati dai dati, andando oltre la simulazione brute-force verso una costruzione intelligente e ottimizzata dei dati. Gli autori osservano che i lavori futuri utilizzeranno questo dataset selezionato per sviluppare modelli di predizione in tempo reale per condizioni di sistema non viste.