Inference-Optimal ISAC via Task-Oriented Feature Transmission and Power Allocation

Technische Samenvatting: Inference-Optimale ISAC via Taakgerichte Feature-Transmissie en Vermogensallocatie

Probleemstelling
Geïntegreerde Sensing en Communicatie (ISAC)-systemen streven naar het maximaliseren van "coördinatiegain" door gezamenlijke optimalisatie van sensing- en communicatiebronnen (S&C). Terwijl bestaande literatuur zich vaak richt op parameterschattingstaken (bijvoorbeeld hoek of snelheid) met gebruik van Estimate-and-Compress (EC)-schema's, vereisen veel complexe inferentietaken (bijvoorbeeld patroonherkenning) het uitbesteden van berekeningen aan edge-servers vanwege beperkte lokale apparaatcapaciteiten. Dit vereist een Compress-and-Estimate (CE)-kader waarbij ruwe of gecomprimeerde features worden verzonden voor remote inferentie.

De kernuitdaging die in dit werk wordt aangepakt, is het ontwerp van S&C-transceivers onder het CE-kader om inferentieprestaties te maximaliseren. Het direct optimaliseren van inferentiemetrieken (zoals de classificatiefoutkans) is analytisch onoplosbaar. Bijgevolg vertrouwen eerdere werken vaak op surrogaatmetrieken zoals de Mean Squared Error (MSE). Dit artikel onderzoekt of het maximaliseren van MSE optimaal is voor inferentietaken, of dat een metriek die specifiek is toegespitst op classificatie, zoals Discriminant Gain (DG), superieure prestaties en resource-efficiëntie oplevert.

Methodologie
De auteurs stellen een systeemmodel voor waarin een ISAC-apparaat proefsignalen uitzendt om een doel te detecteren, features uit het echo-signaal extrahert en deze features doorstuurt naar een ontvanger voor classificatie. Het systeem opereert onder een totale vermogensbeperking die wordt gedeeld tussen sensing ($P_r$) en communicatie ($P_c$).

1. Systeemmodellering:

   • Sensing: Het apparaat gebruikt Frequency-Modulated Continuous-Wave (FMCW)-signalen. Het echo-signaal wordt verwerkt via pulscompressie en Short-Time Fourier Transform (STFT) om een tijd-frequentie matrix te genereren.
   • Feature-extractie: Principal Component Analysis (PCA) wordt toegepast om een feature-vector $\tilde{x} = x + d$ te extraheren, waarbij $x$ de ground-truth feature is en $d$ sensingruis. De features worden gemodelleerd als een multivariate Gaussische verdeling.
   • Transmissie: Features worden verzonden via een blok-gefadeerd kanaal met gebruik van parallelle subdragers. Het ontvangen signaal wordt geschaald om de features te herstellen.

2. Karakterisering van Inferentiemetriek:

   • Het artikel stelt vast dat de inferentiefoutkans ($P_e$) ondergrens is door een monotoon functione van de minimale Discriminant Gain ($DG_{min}$) tussen klassen.
   • $DG$ wordt gedefinieerd als de Mahalanobis-afstand tussen klassenverdelingen, genormaliseerd door variantie. De auteurs bewijzen dat het minimaliseren van de foutgrens equivalent is aan het maximaliseren van $DG_{min}$.

3. Transceiverontwerp en Optimalisatie:

   • Single-Carrier Geval: De auteurs leiden gesloten-vorm oplossingen af voor zowel MSE-optimale als DG-optimale transceiverontwerpen. Zij tonen aan dat voor één feature-dimensie beide criteria identieke prestaties opleveren.
   • Multi-Carrier Geval: De analyse wordt uitgebreid naar meerdere feature-dimensies ($M > 1$). De optimalisatieproblemen voor zowel MSE als DG worden geformuleerd als convexe problemen.
     • MSE-Optimaal: Resulteert in een waterfilling-structuur die vermogen toewijst op basis van kanaalcondities en feature-variantie.
     • DG-Optimaal: Introduceert een extra wegingsterm gebaseerd op de klassescheidbaarheid ($|\mu_{0,n} - \mu_{1,n}|$). Dit leidt tot een "selectieve" vermogensallocatiestrategie, vooral in regimes met een laag Signaal-Ruisverhouding (SNR), waarbij vermogen wordt geconcentreerd op sterk discriminerende features terwijl mogelijk niet-informatieve features worden uitgeschakeld.

4. Gecombineerde Vermogensallocatie:

   • Het artikel formuleert een gezamenlijk optimalisatieprobleem voor $P_r$ en $P_c$. Aangezien het maximaliseren van DG equivalent is aan het maximaliseren van effectief sensingvermogen in FMCW-systemen, stellen de auteurs een een-dimensionale zoektocht langs de vermogensbeperkingslijn voor om de optimale verdeling tussen sensing- en communicatievermogen te vinden.

Belangrijkste Bijdragen

• Theoretische Karakterisering: Het werk biedt een theoretische analyse die inferentiefoutkansgrenzen direct koppelt aan Discriminant Gain, en DG vestigt als een hanteerbare en relevante metriek voor ISAC-inferentietaken.
• Gesloten-vorm Oplossingen: De auteurs leiden expliciete transceiverontwerpen af voor zowel DG-optimale als MSE-optimale criteria. Deze oplossingen onthullen waterfilling-achtige structuren en benadrukken de expliciete trade-offs tussen S&C-bronnen.
• Inzicht in Vermogensefficiëntie: Een primaire bijdrage is de ontdekking dat DG-optimale ontwerpen vermogenefficiënter zijn dan conventionele MSE-optimale ontwerpen, vooral in regimes met een laag SNR. Door selectief vermogen toe te wijzen aan informatieve features, bespaart de DG-optimale aanpak zendvermogen.
• Resourcecoördinatie: Het artikel toont aan dat het vermogen dat wordt bespaard via DG-optimale communicatie kan worden herverdeeld naar de sensingfunctie, waardoor de algehele coördinatiegain van het ISAC-systeem wordt verbeterd.

Resultaten
Numerieke experimenten werden uitgevoerd met menselijke houdingsherkenningsdatasets met Multi-Layer Perceptron (MLP) en Support Vector Machine (SVM)-classificatoren.

• Prestatievergelijking: In regimes met een laag SNR presteert het DG-optimale ontwerp aanzienlijk beter dan het MSE-optimale ontwerp in termen van inferentie-accuratesse. De DG-optimale aanpak bereikt hogere nauwkeurigheid met minder communicatievermogen.
• Feature-selectie: De resultaten bevestigen dat DG-optimale ontwerpen selectief vermogen toewijzen aan features met hoge discriminerende gain, terwijl MSE-optimale ontwerpen de neiging hebben om vermogen gelijkmatiger te verdelen, wat mogelijk leidt tot verspilling van bronnen op niet-informatieve features.
• Confusiematrices: DG-optimale ontwerpen leveren een meer gebalanceerde classificatie-accuratesse op over verschillende categorieën in vergelijking met MSE-optimale ontwerpen.
• Vermogenstrade-off: Naarmate de communicatie-SNR toeneemt, neemt de marginale winst van extra communicatievermogen af, en verschuift de optimale strategie vermogen naar sensing. De prestatiekloof tussen DG- en MSE-ontwerpen neemt af bij hoog SNR, wat overeenkomt met theoretische verwachtingen.

Betekenis
Het artikel stelt dat het optimaliseren van ISAC-systemen voor inferentietaken een verschuiving vereist van traditionele op MSE gebaseerde criteria naar taakgerichte Discriminant Gain-maximalisatie. De betekenis ligt in het aantonen dat deze verschuiving een efficiënter gebruik van het gedeelde vermogensbudget mogelijk maakt. Door het vermogen dat nodig is voor communicatie om een doelwit inferentie-accuratesse te bereiken te verminderen, kan het systeem het bespaarde vermogen toewijzen aan sensing, waardoor de algehele systeemprestatie verbetert. Dit werk biedt een fundamenteel kader voor "inferentie-gerichte" ISAC-ontwerpen, met gesloten-vorm oplossingen die praktische transceiver-implementatie en resourcebeheer in 6G-netwerken faciliteren.