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

Resumo Técnico: ISAC Otimizado para Inferência via Transmissão de Características Orientada a Tarefa e Alocação de Potência

Declaração do Problema
Sistemas Integrados de Sensoriamento e Comunicação (ISAC) visam maximizar o "ganho de coordenação" através da otimização conjunta dos recursos de sensoriamento e comunicação (S&C). Enquanto a literatura existente frequentemente se concentra em tarefas de estimação de parâmetros (por exemplo, ângulo ou velocidade) utilizando esquemas de Estimar-e-Comprimir (EC), muitas tarefas complexas de inferência (por exemplo, reconhecimento de padrões) exigem o descarregamento de computação para servidores de borda devido às capacidades limitadas dos dispositivos locais. Isso torna necessária uma estrutura de Comprimir-e-Estimar (CE), onde características brutas ou comprimidas são transmitidas para inferência remota.

O desafio central abordado neste trabalho é o projeto de transceptores S&C sob a estrutura CE para maximizar o desempenho de inferência. A otimização direta de métricas de inferência (como a probabilidade de erro de classificação) é analiticamente intratável. Consequentemente, trabalhos anteriores frequentemente recorrem a métricas substitutas, como o Erro Quadrático Médio (MSE). Este artigo investiga se a maximização do MSE é ótima para tarefas de inferência ou se uma métrica especificamente adaptada à classificação, como o Ganho Discriminante (DG), produz desempenho superior e eficiência de recursos.

Metodologia
Os autores propõem um modelo de sistema onde um dispositivo ISAC transmite sinais de sondagem para detectar um alvo, extrai características do eco e encaminha essas características a um receptor para classificação. O sistema opera sob uma restrição total de potência compartilhada entre sensoriamento ($P_r$) e comunicação ($P_c$).

1. Modelagem do Sistema:

   • Sensoriamento: O dispositivo utiliza sinais de Onda Contínua Modulada em Frequência (FMCW). O eco é processado via compressão de pulso e Transformada de Fourier de Curto Prazo (STFT) para gerar uma matriz tempo-frequência.
   • Extração de Características: A Análise de Componentes Principais (PCA) é aplicada para extrair um vetor de características $\tilde{x} = x + d$, onde $x$ é a característica de verdade fundamental e $d$ é o ruído de sensoriamento. As características são modeladas seguindo uma distribuição Gaussiana multivariada.
   • Transmissão: As características são transmitidas por um canal de desvanecimento em bloco usando subportadoras paralelas. O sinal recebido é escalado para recuperar as características.

2. Caracterização da Métrica de Inferência:

   • O artigo estabelece que a probabilidade de erro de inferência ($P_e$) é limitada inferiormente por uma função monótona do Ganho Discriminante mínimo ($DG_{min}$) entre as classes.
   • O $DG$ é definido como a distância de Mahalanobis entre as distribuições das classes, normalizada pela variância. Os autores provam que minimizar o limite de erro é equivalente a maximizar o $DG_{min}$.

3. Projeto e Otimização do Transceptor:

   • Caso de Portadora Única: Os autores derivam soluções de forma fechada para projetos de transceptores ótimos em MSE e ótimos em DG. Eles demonstram que, para uma única dimensão de característica, ambos os critérios produzem desempenho idêntico.
   • Caso de Múltiplas Portadoras: A análise é estendida para múltiplas dimensões de características ($M > 1$). Os problemas de otimização para ambos MSE e DG são formulados como problemas convexos.
     • Ótimo em MSE: Resulta em uma estrutura de preenchimento de água (water-filling) que aloca potência com base nas condições do canal e na variância das características.
     • Ótimo em DG: Introduz um termo de ponderação adicional baseado na separabilidade das classes ($|\mu_{0,n} - \mu_{1,n}|$). Isso leva a uma estratégia de alocação de potência "seletiva", particularmente em regimes de baixa Relação Sinal-Ruído (SNR), onde a potência é concentrada em características altamente discriminativas, potencialmente desligando as não informativas.

4. Alocação Conjunta de Potência:

   • O artigo formula um problema de otimização conjunta para $P_r$ e $P_c$. Como maximizar o DG é equivalente a maximizar a potência efetiva de sensoriamento em sistemas FMCW, os autores propõem uma busca unidimensional ao longo da linha de restrição de potência para encontrar a divisão ótima entre potência de sensoriamento e comunicação.

Principais Contribuições

• Caracterização Teórica: O trabalho fornece uma análise teórica que liga limites de probabilidade de erro de inferência diretamente ao Ganho Discriminante, estabelecendo o DG como uma métrica tratável e relevante para tarefas de inferência ISAC.
• Soluções de Forma Fechada: Os autores derivam projetos de transceptores explícitos para ambos os critérios ótimo em DG e ótimo em MSE. Essas soluções revelam estruturas do tipo preenchimento de água e destacam os trade-offs explícitos entre recursos S&C.
• Insight de Eficiência de Potência: Uma contribuição primária é a revelação de que o projeto ótimo em DG é mais eficiente em termos de potência do que o projeto ótimo em MSE convencional, especialmente em regimes de baixo SNR. Ao alocar seletivamente potência para características informativas, a abordagem ótima em DG economiza potência de transmissão.
• Coordenação de Recursos: O artigo demonstra que a potência economizada através da comunicação ótima em DG pode ser realocada para a função de sensoriamento, aumentando assim o ganho de coordenação geral do sistema ISAC.

Resultados
Experimentos numéricos foram conduzidos utilizando conjuntos de dados de reconhecimento de postura humana com classificadores de Perceptron de Camadas Múltiplas (MLP) e Máquina de Vetores de Suporte (SVM).

• Comparação de Desempenho: Em regimes de baixo SNR, o projeto ótimo em DG supera significativamente o projeto ótimo em MSE em termos de precisão de inferência. A abordagem ótima em DG alcança maior precisão com menos potência de comunicação.
• Seleção de Características: Os resultados confirmam que projetos ótimos em DG alocam seletivamente potência para características com alto ganho discriminativo, enquanto projetos ótimos em MSE tendem a distribuir a potência de forma mais uniforme, potencialmente desperdiçando recursos em características não informativas.
• Matrizes de Confusão: Projetos ótimos em DG produzem uma precisão de classificação mais equilibrada entre diferentes categorias em comparação com projetos ótimos em MSE.
• Trade-off de Potência: À medida que o SNR de comunicação aumenta, o ganho marginal de potência de comunicação adicional diminui, e a estratégia ótima desloca a potência em direção ao sensoriamento. A diferença de desempenho entre projetos DG e MSE estreita-se em alto SNR, consistente com as expectativas teóricas.

Significância
O artigo afirma que a otimização de sistemas ISAC para tarefas de inferência exige uma mudança de critérios tradicionais baseados em MSE para a maximização de Ganho Discriminante orientada a tarefa. A significância reside em demonstrar que essa mudança permite um uso mais eficiente do orçamento de potência compartilhado. Ao reduzir a potência necessária para comunicação a fim de alcançar uma precisão de inferência alvo, o sistema pode alocar a potência economizada para sensoriamento, melhorando assim o desempenho geral do sistema. Este trabalho fornece uma estrutura fundamental para o projeto ISAC "orientado à inferência", oferecendo soluções de forma fechada que facilitam a implementação prática de transceptores e o gerenciamento de recursos em redes 6G.