Pilot Allocation for Multi-Hop Over-the-Air Neural Inference under Imperfect CSI

Título: Alocação de Pilotos para Inferência Neural Over-the-Air Multi-Salto sob CSI Imperfeito

1. Problema Investigado

O artigo aborda o desafio de implementar camadas de redes neurais totalmente conectadas (FC) utilizando computação Over-the-Air (OTA) em redes de repetidores Amplify-and-Forward (AF) multi-salto.

• Contexto: A computação OTA explora a propriedade de superposição dos canais sem fio para realizar cálculos diretamente no ar, reduzindo latência e sobrecarga de comunicação.
• Desafio Principal: A maioria dos trabalhos anteriores assume Channel State Information (CSI) perfeita. Na prática, o CSI é obtido via estimação baseada em pilotos e é inerentemente imperfeito.
• O Dilema: Em sistemas multi-salto, os erros de estimação de canal acumulam-se ao longo dos saltos. Existe um compromisso (trade-off) crítico: alocar mais tempo de treinamento (pilotos) melhora a qualidade do CSI e a precisão da inferência, mas aumenta a sobrecarga de treinamento, reduzindo o tempo disponível para a transmissão de dados reais. O problema central é como alocar eficientemente o tempo total de treinamento entre os diferentes saltos (hops) da rede para maximizar a precisão da classificação.

2. Metodologia

Os autores propõem um framework que integra estimação de canal, otimização de parâmetros da rede e estratégias de alocação de recursos.

• Modelo do Sistema:

  • Uma estação base (BS) com múltiplas antenas transmite para um receptor (Rx) com múltiplas antenas através de $L$ grupos de repetidores AF de antena única.
  • O sistema opera em modo TDMA (Acesso Múltiplo por Divisão de Tempo) para evitar interferência entre os saltos durante o treinamento.
  • O objetivo é emular uma camada FC ($y = Wx + b$) onde a transformação linear $Wx$ é realizada analogamente no ar.

• Estimação de Canal:

  • Utiliza-se a estimação por Mínimos Quadrados (LS) baseada em pilotos ortogonais.
  • O erro de estimação diminui inversamente com a energia efetiva do piloto ($p_p \tau_l$), onde $\tau_l$ é o tempo de treinamento alocado ao salto $l$.

• Otimização de Parâmetros (Imitação):

  • Os autores utilizam uma otimização alternada (AO) para encontrar os precodificadores na BS ($F_1$), os ganhos de amplificação nos repetidores ($A_l$) e os combinadores no receptor ($F_2$).
  • O objetivo é minimizar o erro de imitação da matriz de pesos desejada ($W$) mais uma penalidade de propagação de ruído, sujeito a restrições de potência.

• Estratégias de Alocação de Pilotos (Heurísticas Propostas):
  O artigo propõe cinco heurísticas para distribuir o tempo de treinamento excedente ($\tau_{excess}$) entre os saltos, partindo de um mínimo necessário para pilotos ortogonais:

  1. Alocação Uniforme Excessiva: Distribui o tempo extra igualmente entre os saltos.
  2. Alocação Proporcional ao Mínimo: Aloca o tempo extra proporcionalmente ao tamanho mínimo de piloto necessário de cada salto.
  3. Alocação Front-Loaded (Carregada na Frente): Prioriza os primeiros saltos, baseando-se na ideia de que erros iniciais degradam todo o processo subsequente.
  4. Tudo para o Primeiro Salto: Aloca todo o tempo excedente apenas ao primeiro salto.
  5. Heurística Consciente da Força do Canal: Prioriza saltos com canais mais fracos (menor ganho de grande escala ou norma de Frobenius), pois são mais difíceis de estimar.

3. Principais Contribuições

1. Análise de CSI Imperfeito em OTA Multi-Salto: É um dos primeiros trabalhos a investigar sistematicamente o impacto da alocação de pilotos em redes de inferência neural OTA multi-salto, onde os erros de canal se acumulam.
2. Proposta de Heurísticas de Alocação: Desenvolvimento e comparação de cinco estratégias práticas para gerenciar o compromisso entre sobrecarga de treinamento e precisão da inferência.
3. Insights de Projeto: Demonstração de que a alocação balanceada e o uso de múltiplos saltos (para reduzir a distância de cada enlace) são cruciais para atingir desempenho próximo ao de uma base digital, mesmo com CSI imperfeito.

4. Resultados Numéricos

As simulações foram realizadas com parâmetros do modelo 3GPP UMi (Street Canyon) e baseadas no conjunto de dados Fashion-MNIST.

• Potência de Piloto Alta ($p_p = 1$ W):

  • Com tempo de treinamento suficiente, a maioria das heurísticas aproxima-se do desempenho de CSI perfeito.
  • As heurísticas Uniforme, Proporcional e Consciente do Canal performaram melhor.
  • Alocar excessivamente tempo para um único salto resultou em desempenho subótimo e alta variância devido à desbalanceamento na qualidade do CSI.

• Potência de Piloto Baixa ($p_p = 0.1$ W):

  • O desempenho é limitado pela qualidade da estimação de canal, não apenas pela duração.
  • Mesmo com grandes orçamentos de treinamento, há uma lacuna de desempenho em relação ao CSI perfeito.
  • Estratégias balanceadas superam as assimétricas. A alocação Front-Loaded torna-se mais eficaz à medida que a duração do treinamento aumenta, mitigando a propagação de erros dos primeiros saltos.

• Número de Saltos ($L$):

  • Sistemas com mais saltos (ex: $L=3$) e mais repetidores por grupo alcançam precisão de imitação quase perfeita com baixa variância.
  • Reduzir o número de saltos (ex: $L=1$) aumenta a variância e impede a melhoria da precisão mesmo ao aumentar o número de repetidores, devido à maior distância e pior qualidade de canal.

5. Significado e Conclusões

O trabalho demonstra que a computação OTA para inferência neural é viável em cenários práticos com CSI imperfeito, desde que haja uma gestão cuidadosa dos recursos de treinamento.

• Conclusão Chave: A alocação equilibrada de recursos de treinamento e o uso de arquiteturas multi-salto (que encurtam os enlaces individuais) permitem que o sistema OTA atinja níveis de precisão de classificação próximos à base digital (84.5% no experimento).
• Implicações Futuras: O estudo destaca a necessidade de lidar com erros de sincronização, seleção ótima de subconjuntos de repetidores e integração de colheita de energia (energy harvesting) para viabilizar redes OTA escaláveis e eficientes energeticamente.

Em resumo, o artigo fornece diretrizes essenciais para o projeto de sistemas de inferência neural sem fio, equilibrando a sobrecarga de sinalização (pilotos) com a necessidade de precisão na computação analógica.