Deep Learning-Assisted Multicast Subgrouping in Massive MIMO

Technische Samenvatting: Deep Learning-ondersteunde Multicast Subgroepering in Massive MIMO

Probleemstelling
Efficiënte contentlevering in massive multiple-input multiple-output (mMIMO) multicasting wordt beperkt door twee primaire factoren: de pilot-overhead en het "worst-user effect". Bij conventionele multicast moet een enkele transmissiesnelheid alle gebruikers bedienen, wat de prestaties beperkt tot de gebruiker met de slechtste kanaalcondities. Bovendien creëert het toewijzen van orthogonale pilots aan elke gebruiker (unicast) een prohibitieve overhead in grootschalige systemen. Hoewel multicast subgrouping—het partitioneren van gebruikers in subsets met vergelijkbare ruimtelijke kanaalstatistieken om verschillende precoders toe te passen—een oplossing biedt, blijft het bepalen van het optimale aantal subgroepen ($G$) een uitdagend, grotendeels onopgelost probleem. Bestaande heuristische methoden (bijv. K-means met een vaste $G$) of dichtheidsgebaseerde clustering (bijv. DBSCAN) schieten vaak tekort bij heterogene gebruikersdistributies of vereisen een uitputtend zoekproces om de $G$ te vinden die de som van de spectrale efficiëntie (SE) maximaliseert.

Methodologie
Het artikel stelt een deep learning-ondersteund framework voor om het optimale aantal multicast subgroepen direct af te leiden uit de ruimtelijke kanaalstatistieken (covariantie-matrices) van gebruikers, zonder dat daarvoor instantane kanaalinformatie (CSI) vereist is. De aanpak werkt onder een schaalbaar CSI-acquisitiemodel waarbij één pilot per subgroep wordt hergebruikt.

De kernmethodologie bestaat uit drie hoofdfasen:

1. Input Preprocessing (Snapshot-Specifieke PCA): Omdat het aantal gebruikers ($K$) varieert tussen scenario's, gebruiken de auteurs een per-snapshot Principal Component Analysis (PCA). Dit transformeert variabel grootte hebende ruimtelijke covariantie-matrices naar een representatie van vaste lengte bestaande uit Principal Component (PC) scores. Als het aantal gebruikers kleiner is dan de maximale systeemcapaciteit ($K_{max}$), worden de inputvectoren met nullen aangevuld (zero-padding) om een consistente dimensie voor het neurale netwerk te behouden.
2. Sequential Encoding (LSTM): Een Long Short-Term Memory (LSTM) netwerk verwerkt de sequentie van gebruikers PC-scores. De LSTM is gekozen vanwege het vermogen om variabel lengte-sequenties te verwerken en latente ruimtelijke afhankelijkheden tussen gebruikers te vangen. De architectuur bevat een "data replicatie" verbetering waarbij de inputdata wordt gerepliceerd om altijd $K_{max}$ tijdstappen te vullen, wat de interne staat van het model verfijnt en de robuustheid tegen variabele gebruikersaantallen verbetert.
3. Output en Transfer Learning (TL):
   • Base Model: Het initiële model behandelt de inferentie van subgroepen als een multi-output classificatietaak. Het voorspelt de waarschijnlijkheidsverdeling van het aantal subgroepen ($G$) voor progressief grotere gebruikerssubsets binnen een enkele forward pass.
   • Transfer Learning Extensie (LSTM-TL-SE): Om de prestaties verder te optimaliseren, wordt een transfer learning-aanpak geïntroduceerd. De vooraf getrainde LSTM-encoder (bevroren) extraheert ruimtelijke kenmerken, terwijl een lichtgewicht dense head wordt gefinetuned om direct de genormaliseerde som-SE voor verschillende kandidaat-subgroep-aantallen te voorspellen. Het optimale $G$ wordt vervolgens geselecteerd als de waarde die de voorspelde SE maximaliseert, waardoor de noodzaak voor een uitputtend zoekproces wordt omzeild.

Belangrijkste Bijdragen

• LSTM-ondersteunde Subgroeperingsmechanisme: Een nieuw framework dat het aantal multicast subgroepen afleidt uit ruimtelijke covariantiestructuren, waarbij aangepast wordt aan variabele gebruikersset-groottes zonder heuristische aannames.
• Snapshot-Specifieke PCA-Pipeline: Een preprocessing-techniek die variabel grootte hebende covariantie-matrices omzet in fixed-length feature-representaties die op maat zijn gemaakt voor elke specifieke gebruikersdistributie-snapshot.
• Transfer Learning voor SE-Schatting: Een extensie die de ruimtelijke feature-extractor hergebruikt om direct de som-spectrale efficiëntie te voorspellen, wat een bijna optimale subgroepselectie mogelijk maakt zonder uitputtende evaluatie.
• Intra-Service Subgrouping Strategie: Een methode die de multicast-semantiek (enkele contentstream) behoudt terwijl de fysieke laag-efficiëntie wordt verbeteren door meerdere precoders toe te passen die zijn afgestemd op statistisch homogene subsets.
• Uitgebreide Evaluatie: Uitgebreide simulaties die de aanpak valideren tegen benchmarks, waaronder unicast, conventionele multicast, random subgrouping en DBSCAN-clustering over geclusterde en ijle (sparse) gebruikersdistributies.

Resultaten
Simulatie-resultaten in een single-cell mMIMO-scenario (64 antennes, tot 120 gebruikers) tonen het volgende aan:

• Prestaties: Het voorgestelde LSTM (TL-SE) model bereikt tot 85,2% van de theoretische maximale som-spectrale efficiëntie (de bovengrens gevonden via een uitputtend zoekproces). Dit presteert beter dan de beste praktische benchmark, DBSCAN (79,2%), en overtreft aanzienlijk unicast (67,2%) en conventionele multicast (71,4%) in diverse scenario's.
• Robuustheid: Het model behoudt een hoge prestatie in zowel geclusterde scenario's (waar subgrouping voordelig is) als in ijle scenario's (waar het van nature terugkeert naar unicast-achtig gedrag, $G \approx K$).
• Imperfecte CSI: Onder verstoorde covariantie-informatie (wat een schattingsfout simuleert), vertoont het transfer learning-model de hoogste veerkracht en behoudt het ongeveer 80,1% van de bovengrens-prestaties, zelfs bij een significante mismatch ($\alpha=0,5$), waarmee het DBSCAN in deze omstandigheden overtreft.
• Generalisatie: Wanneer toegepast op Cell-Free (CF-mMIMO) scenario's zonder hertraining, behouden de op single-cell data getrainde modellen kleine afwijkingen van de optimale subgroepconfiguratie, wat aangeeft dat de geleerde ruimtelijke structuur-inferentie generaliseert over verschillende netwerkarchitecturen.
• Complexiteit: De voorgestelde methode schaalt polynomiaal met het aantal gebruikers en antennes, en biedt een computationeel efficiënt alternatief voor optimalisatie-gebaseerde beamforming-methoden die volledige instantane CSI vereisen.

Betekenis en Claims
Het artikel claimt het eerste framework te presenteren dat snapshot-specifieke dimensionaliteitsreductie, sequentiële modellering van gebruikers-covariantiestructuren en transfer learning voor spectrale efficiëntie-voorspelling gezamenlijk combineert in multicast subgrouping.

De auteurs benadrukken dat hun aanpak specif