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

기술 요약: mmWave 위치 추정을 위한 SEMIKHORN

문제 정의
정확한 사용자 위치 추정은 밀리미터파(mmWave) 대규모 MIMO 시스템의 잠재력을 온전히 활용하기 위한 필수 전제 조건이다. 절대적인 위치가 항상 엄격하게 요구되는 것은 아니지만, 상대적인 이웃 관계(의사 위치, pseudo-locations)를 보존하는 것은 매우 중요하다. 기존의 채널 차팅(Channel Charting, CC) 프레임워크는 정답 데이터(ground-truth data) 없이 무선 기하학적 구조의 잠재 표현을 학습하지만, 다음과 같은 두 가지 주요 한계에 직면해 있다:

1. 제한된 공간 범위: 단일 기지국(BS) 방식은 제한된 공간적 관계만을 포착하여, 서로 다른 셀에 있는 사용자에 대해 왜곡된 이웃 표현을 초래한다.
2. 매니폴드 학습의 알고리즘적 편향: CC에서 흔히 사용되는 t-분포 확률적 근접 이웃 임베딩(t-SNE)은 비대칭적 친화도 정규화를 수행한다. 이는 불균형한 이웃 표현을 유발하고 전역 기하 구조를 왜곡한다. 또한, 기존의 준지도 학습 방식은 대규모의 레이블된 데이터나 상당한 계산 자원 및 세심한 하이퍼파라미터 튜닝을 요구하는 복잡한 딥러닝 모델에 의존하는 경우가 많다.

방법론
본 논문은 분산된 기지국을 갖춘 다중 사용자(MU) mmWave 대규모 MIMO 시스템을 위해 설계된 준지도 채널 차팅 프레임워크인 SEMIKHORN을 제안한다. 방법론은 다음 단계로 진행된다:

1. 채널 모델링 및 특징 추출:

   • 시스템은 각각 $N$개의 안테나를 갖춘 $B$개의 분산된 기지국(BS)을 고려하며, 이들은 $K$개의 단일 안테나 사용자를 서비스한다.
   • 프레임워크는 순시 채널 계수 대신, 사용자 이동에 따라 더 부드럽게 변화하는 채널 상태 정보(CSI)의 2차 원 모멘트(second raw moment)인 $R^b_k$를 활용한다.
   • 경로 손실을 고려하여 2차 원 모멘트를 스케일링하고, 푸리에 변환 행렬을 통해 이를 빔스페이스(beamspace) 도메인으로 변환하여 특징을 추출한다.
   • 사용자 간의 비유사성을 계산하기 위해 맨해튼(L1) 거리 메트릭을 사용한다. 저자들은 고차원 공간에서 L1 메트릭이 노이즈를 증폭시킬 수 있는 기존의 유클리드(L2) 메트릭에 비해 특징 비유사성과 실제 물리적 거리 사이의 상관관계를 더 강력하게 제공한다고 주장한다.

2. 비유사도 행렬 구축:

   • 각 기지국은 관측된 CSI를 기반으로 로컬 비유사도 행렬을 구축한다.
   • 이러한 로컬 행렬들은 가중 평균을 사용하여 하나의 전역 비유사도 행렬로 융합된다. 가중치는 링크의 신호 대 잡음비(SNR)에 의해 결정되며, 이를 통해 특정 기지국으로부터 오는 더 신뢰할 수 있는 CSI 기여도가 우선시되도록 보장한다.

3. t-SNEkhorn 및 엔트로피 최적 운송:

   • 핵심 혁신은 표준 t-SNE를 **엔트로피 최적 운송(entropic optimal transport)**을 사용하여 쌍별 유사도를 구축하는 t-SNEkhorn으로 대체하는 것이다.
   • 데이터를 개별적으로 정규화하는(행-스토캐스틱) 표준 t-SNE와 달리, t-SNEkhorn은 Sinkhorn-Knopp 알고리즘을 사용하여 이중 스토캐스틱 친화도(대칭이며 행과 열의 합이 모두 1인 구조)를 강제한다.
   • 이론적 정당성: 본 논문은 표준 t-SNE의 비이중 스토캐스틱 친화도 행렬이 쿨백-라이블러(KL) 발산 목적 함수에 양의 하한(positive lower bound)을 도입하여 최적화를 제한한다는 것을 분석적으로 입증한다. 이중 스토캐스틱성을 강제함으로써, t-SNEkhorn은 이 하한을 제거하여 KL 목적 함수의 더 효과적인 최소화를 가능하게 하고, 균등 분포된 사용자 가설에 부합하는 균형 잡힌 이웃 그래프를 생성한다.

4. 준지도 학습 및 최적화:

   • 프레임워크는 레이블이 지정된 소수의 사용자 위치를 "하드 앵커(hard anchors)"로 포함하여 레이블이 없는 사용자의 절대적인 지리적 위치를 추론한다.
   • 임베딩은 레이블된 지점이 실제 좌표에 고정되어 있다는 제약 조건 하에, 고차원 친화도 행렬($G^*$)과 저차원 친화도 행렬($B^*$) 사이의 KL 발산을 최소화함으로써 최적화된다.
   • 평균 위치 오차(MLE)를 최소화하기 위해 **베이지안 최적화(Bayesian Optimization)**를 사용하여 핵심 하이퍼파라미터(특히 퍼플렉시티와 하드 앵커의 수)를 자동으로 튜닝함으로써 수동 튜닝을 피한다.

주요 기여

• 이중 스토캐스틱 친화도의 첫 적용: 본 논문은 표준 t-SNE에서 사용되는 대칭 행렬에 대한 유클리드 투영 대신, 대칭적이고 이중 스토캐스틱한 엔트로피 친화도(t-SNEkhorn을 통한)를 준지도 무선 위치 추정에 처음으로 적용하였다.
• 최적화의 이론적 개선: 이중 스토캐스틱성을 강제하는 것이 KL 발산 목적 함수의 양의 하한을 완화하여 임베딩 충실도를 향상시킨다는 분석적 증명을 제공한다.
• 메트릭 재정의: 프레임워크는 비유사도 측정을 맨해튼(L1) 메트릭으로 재정의하여, 고차원 채널 특징 공간에서 유클리드 메트릭보다 공간적 근접성과 더 우수한 상관관계를 가짐을 입증하였다.
• 자동 하이퍼파라미터 튜닝: 위치 오차를 최소화하기 위해 베이지안 최적화를 통합하여 임베딩 파라미터를 결정함으로써 신뢰성을 높이고 위치 오차를 크게 줄였다.

실험 결과
프레임워크는 5개의 분산된 mmWave 기지국과 100m 반경 내에 균등하게 분포된 2048명의 사용자가 있는 실외 환경 시뮬레이션에서 평가되었다.

• 성능: SEMIKHORN은 원형 인근 구역 내에서 **6.86%**의 평균 위치 오차(MLE)를 달로 달성했다.
• 데이터 효율성: 이 프레임워크는 이러한 결과를 얻기 위해 레이블된 CSI 샘플의 15% 미만만을 필요로 했다.
• 비교 분석: 최신 기술들(표준 t-SNE, Laplacian Eigenmaps, Kernel PCA, Sammon Mapping)과 비교했을 때, SEMIKHORN은 우수한 연속성(0.95–0.98)과 신뢰성(0.95–0.97)을 보여주었다. 결과는 이중 스토캐스틱 정식화가 표준 t-SNE에서 발견되는 밀집 지역에 대한 편향을 효과적으로 완화하여, 전역 토폴로지와 국소 이웃 연속성을 모두 보존함을 나타낸다.
• 메트릭 검증: 시각화 및 상관관계 플롯을 통해 맨해던 거리 메트릭이 유클리드 메트릭보다 공간적으로 구별되는 CSI 샘플을 더 명확하게 식별함을 확인하였다.

의의
본 논문은 SEMIKHORN이 광범한 레이블된 데이터셋이나 계산 집약적인 딥러닝 모델에 의존하지 않고도 mmWave 위치 추정을 위한 견고하고 확장 가능한 솔루션을 제공한다고 주장한다. 엔트로피 최적 운송을 통해 전역적으로 균형 잡힌 친화도를 활용함으로써, 프레임워크는 단일 기지국 방식의 한계와 표준 매니폴드 학습 기술의 기하학적 왜곡 문제를 해결하고 네트워크 전체에 걸쳐 일관된 이웃 표현을 보장한다. 베이지안 최적화의 사용은 위치 오차를 최소화하도록 튜닝 과정을 자동화함으로써 프레임워크의 실용성을 더욱 높인다.