Discrete Diffusion for Codebook-Based Beam Candidate Generation

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 밀리미터파 (mmWave) 통신은 넓은 대역폭과 고지향성 빔포밍을 통해 초고속 데이터 전송을 가능하게 하지만, 신호의 차단 (blockage) 과 사용자 이동성에 매우 민감합니다. 이로 인해 신뢰할 수 있는 빔 정렬 (Beam Alignment) 이 핵심 과제로 대두됩니다.
• 문제: 코드북 기반 mmWave 시스템에서 '제한된 프로빙 (Limited-probing)' 상황은 근본적인 난제입니다.
  • 매 시간 슬롯마다 모든 빔을 탐색하는 것은 과도한 오버헤드를 유발하므로, 제한된 수의 빔 (P 개) 만을 동시에 프로빙할 수 있습니다.
  • 이동성과 잡음이 있는 피드백 하에서, 시스템은 과거의 프로빙 이력을 바탕으로 다음에 어떤 빔 후보군을 선택할지 결정해야 합니다.
  • 이는 **부분 관측 가능 순차 의사결정 문제 (Partially Observable Sequential Decision Problem)**로, 최적의 빔을 찾기 위한 탐색 (Exploration) 과 기존에 좋은 빔을 활용 (Exploitation) 하는 것 사이의 균형을 맞춰야 하며, 코드북 크기가 커질수록 조합적 복잡도가 기하급수적으로 증가합니다.
• 기존 방법의 한계:
  • 전통적인 결정론적 스윕핑이나 휴리스틱 추적 방법은 동적인 환경에서 성능이 떨어집니다.
  • 기존 학습 기반 방법 (Discriminative models) 은 주로 단일 빔을 예측하거나 점 추정 (point estimate) 에 의존하여, 후보 빔의 다양성이 부족하고 '오라클 빔 (최적 빔)'이 후보 목록에 포함되지 않을 때 성능이 급격히 저하됩니다.

2. 제안된 방법론 (Methodology)

저자들은 **이산 확산 확률 모델 (Discrete Denoising Diffusion Probabilistic Model, D3PM)**을 기반으로 한 **히스토리 조건부 빔 후보 생성 프레임워크 (D3PM-BM)**를 제안합니다.

• 핵심 아이디어: 빔 선택을 단일 정답 예측이 아닌, 과거 프로빙 이력을 조건으로 한 이산 빔 인덱스 (Beam Indices) 에 대한 조건부 확률 분포 학습 문제로 재정의합니다. 이를 통해 다수의 유망한 빔 후보를 생성합니다.
• 시스템 아키텍처:
  1. 히스토리 인코더 (History Encoder):
     • 과거의 프로빙 이력 (빔 인덱스 및 피드백) 을 처리하기 위해 계층적 구조를 사용합니다.
     • 슬롯 내 집계 (Within-slot aggregation): 각 시간 슬롯 내의 프로빙 데이터를 어텐션 (Attention) 풀링을 통해 하나의 벡터로 압축합니다.
     • 슬롯 간 모델링 (Across-slot modeling): Transformer 인코더를 사용하여 시간적 의존성을 포착하고, 최종적으로 전체 이력을 요약한 컨텍스트 벡터 ($c_t$) 를 생성합니다.
  2. 조건부 D3PM (Conditional D3PM):
     • 전방 과정 (Forward Corruption): 최적 빔 인덱스 ($x_0$) 에서 시작하여 균일 분포를 향해 단계적으로 노이즈를 주입하는 이산 마르코프 체인을 정의합니다.
     • 역방향 과정 (Reverse Denoising): 학습된 신경망이 노이즈가 섞인 상태 ($x_\tau$) 와 컨텍스트 ($c_t$) 를 입력받아 원래의 빔 인덱스 분포를 복원합니다.
  3. 소프트 오라클 레이블 (Soft Oracle Labels):
     • 단일 최적 빔 (Top-1) 만을 타겟으로 하는 하드 레이블 대신, SNR 이 높은 상위 M 개 빔에 확률 질량을 분배하는 희소 소프트 레이블을 사용합니다.
     • 이는 다중 경로 환경에서 유사한 성능을 보이는 빔들 간의 불확실성을 반영하고, 학습 안정성을 높이며, 후보 생성 시 다양성을 확보하는 데 기여합니다.
  4. 온라인 추론 워크플로우:
     • 학습된 모델은 이력 데이터를 바탕으로 빔 후보 목록을 생성합니다.
     • 생성된 샘플들의 빈도수와 모델의 신뢰도 (Log-probability) 를 결합하여 빔을 순위 매기고, 상위 P 개 빔을 프로빙합니다.

3. 주요 기여 (Key Contributions)

1. 문제 공식화: 제한된 프로빙 예산 하에서 빔 선택을 '히스토리 의존적 의사결정 문제'로 공식화하고, 이를 해결하기 위한 후보 생성기의 설계 목표를 설정했습니다.
2. D3PM-BM 프레임워크 개발:
   • 이산 코드북 공간에서 작동하는 최초의 히스토리 조건부 확산 모델 기반 빔 생성기를 제안했습니다.
   • Transformer 기반의 계층적 인코더와 소프트 레이블 학습 전략을 도입하여, 부분 관측 이력에서 유망한 빔 분포를 효과적으로 학습합니다.
   • 데이터 수집과 모델 학습을 분리하여, 동일한 프로빙 인터페이스 하에서 오프라인 학습 및 온라인 배포가 가능합니다.
3. 성능 검증 및 분석:
   • 제안된 방법이 강력한 학습 기반 및 판별적 (Discriminative) 베이스라인보다 일관되게 우수한 성능을 보임을 수치적으로 입증했습니다.
   • 특히 **낮은 프로빙 예산 (Low-probing regimes)**에서 빔 후보의 다양성과 정확도가 성능에 미치는 결정적 영향을 규명했습니다.
   • 확산 체인의 길이를 줄여도 성능 저하 없이 추론 지연을 크게 줄일 수 있는 정확도 - 복잡도 트레이드오프를 제시했습니다.

4. 실험 결과 (Results)

DeepMIMO 시뮬레이터 (28 GHz, Boston5G 환경) 를 사용하여 다양한 조건에서 평가되었습니다.

• 평균 SNR 향상: 제한된 프로빙 수 (P) 에서 제안된 D3PM-BM 은 기존 방법 (EMA, UCB, Transformer 기반 판별 모델, ODE-LSTM 등) 대비 가장 높은 평균 SNR 을 달성했습니다.
• 오라클 미스 확률 (Oracle Miss Probability) 감소: 최적 빔이 프로빙 세트에 포함되지 않을 확률이 다른 방법들보다 현저히 낮았습니다.
• 조건부 프로빙 후회 (Conditional Probe Regret) 최소화: 최적 빔이 포함되지 않은 경우에도, 제안된 방법이 선택한 대안 빔들이 오라클 빔과 SNR 차이가 가장 적었습니다. 이는 후보 생성의 품질이 높음을 의미합니다.
• 후보 다양성 (Top-m Inclusion Rate): 판별적 모델 (TRM) 은 Top-1 정확도는 높았으나, D3PM-BM 은 Top-m (m>1) 포함률에서 압도적으로 우위를 보였습니다. 이는 확산 모델이 유망한 빔들의 분포를 다양하게 샘플링하여, 제한된 프로빙 기회 내에서 최적 빔을 찾을 확률을 높였기 때문입니다.
• 강건성: 양자화 레벨 (Q) 이 낮거나 피드백 잡음이 큰 상황에서도 제안된 방법이 다른 방법들보다 더 견고한 성능을 유지했습니다.

5. 의의 및 결론 (Significance)

• GenAI 의 통신 적용: 생성형 AI (GenAI), 특히 확산 모델이 무선 통신의 빔 관리와 같은 이산적 의사결정 문제에 효과적으로 적용될 수 있음을 입증했습니다.
• 다양성의 가치: 빔 관리에서 단일 최적 예측보다는 다양한 유망 후보군을 생성하는 것이 제한된 프로빙 예산 하에서 시스템 신뢰성을 높이는 핵심임을 강조했습니다.
• 실용성: 오프라인 학습 및 온라인 배포가 가능한 구조로, 실제 mmWave 시스템의 동적 환경 변화에 적응하며 프로빙 오버헤드를 줄이고 링크 품질을 극대화할 수 있는 실용적인 솔루션을 제시합니다.

이 논문은 제한된 프로빙 하에서 빔 정렬의 신뢰성을 높이기 위해, 확률적 생성 모델의 힘을 활용하여 빔 후보 생성 문제를 혁신적으로 접근했다는 점에서 의의가 큽니다.