Cross-Predictive Sparse Bayesian Learning with Application to XL-MIMO Channel Estimation

Resumo Técnico: Aprendizado Bayesiano Esparsa Preditiva Cruzada para Estimativa de Canal em XL-MIMO

Declaração do Problema
A estimativa precisa de canal é um desafio crítico em sistemas de entrada múltipla e saída múltipla de escala extremamente grande (XL-MIMO). À medida que esses sistemas operam com aberturas eletricamente grandes e altas frequências de portadora (variando de FR3 a bandas sub-THz), eles transitam de regimes de propagação de campo distante para regimes de campo próximo. No campo próximo, as frentes de onda são esféricas em vez de planas, criando um acoplamento entre ângulos e distâncias. Consequentemente, a esparsidade do canal manifesta-se no domínio polar (ângulo-distância) em vez do domínio angular.

Embora o Aprendizado Bayesiano Esparsa (SBL) seja um framework robusto para explorar a esparsidade do canal, implementações padrão enfrentam limitações significativas:

1. Incompatibilidade de Priori Paramétrica: O SBL geralmente depende de priores inverso-gama escolhidos pela tratabilidade analítica em vez de fidelidade à distribuição real dos dados. Essa incompatibilidade pode levar ao excesso de contração ou subestimação de componentes do canal.
2. Sensibilidade a Hiperparâmetros: O desempenho do SBL de base frequentemente depende de hiperparâmetros ajustados manualmente (por exemplo, graus de liberdade, parâmetros de forma e escala), que podem não generalizar bem entre diferentes relações sinal-ruído (SNR), comprimentos de piloto ou níveis de esparsidade do canal.
3. Escassez de Dados: A alta dimensionalidade dos canais XL-MIMO combinada com recursos de piloto limitados torna as abordagens de estimativa convencionais ineficientes.

Metodologia
Os autores propõem o Aprendizado Bayesiano Esparsa Preditiva Cruzada (CP-SBL), uma variante orientada a dados do SBL que substitui a maximização tradicional da verossimilhança marginal por um objetivo preditivo cruzado randomizado.

• Mecanismo Central: Em vez de otimizar pesos com base em priores paramétricos fixos, o CP-SBL aprende pesos indutores de esparsidade minimizando uma perda preditiva derivada da divisão aleatória de dados.
• Processo Algorítmico:
  1. Em cada iteração, o vetor de medição observado é partitionado aleatoriamente em dois subconjuntos disjuntos ($I_1$ e $I_2$).
  2. Uma estimativa de canal é reconstruída usando o primeiro subconjunto ($I_1$) e o vetor de pesos atual.
  3. O desempenho preditivo é avaliado verificando o quão bem essa reconstrução explica as medições no segundo subconjunto ($I_2$).
  4. O erro preditivo cruzado resultante serve como função de perda. Os pesos são atualizados via descida de gradiente (usando o otimizador Adam) para minimizar esse erro, criando efetivamente um "prior" adaptativo e não paramétrico que se alinha aos dados observados.
• Base Teórica: O método mantém a estrutura Bayesiana hierárquica do SBL padrão. O objetivo preditivo cruzado atua como um regularizador no processo de aprendizado de pesos, guiando o modelo para priores que maximizam a consistência preditiva em vez da verossimilhança sob suposições potencialmente incompatíveis. A abordagem é interpretada como descida de gradiente estocástica em um objetivo de validação esperado.
• Complexidade: O CP-SBL mantém a mesma ordem de complexidade computacional dominante por iteração que o SBL de base ($O(Q^3)$, onde $Q$ é o tamanho da grade), principalmente devido a inversões de matrizes. Embora possa exigir ligeiramente mais iterações para convergir, o custo computacional geral permanece comparável.

Contribuições Principais

1. Estratégia de Treinamento Inovadora: O artigo introduz o CP-SBL, que substitui a otimização de verossimilhança marginal por um critério preditivo derivado da divisão aleatória de dados.
2. Aplicabilidade em Campo Próximo: O método é demonstrado para estimativa de canal em campo próximo, abordando cenários onde frentes de onda esféricas e respostas de array dependentes de distância invalidam as suposições convencionais de esparsidade de campo distante.
3. Operação sem Ajuste: O framework opera sem ajuste manual de hiperparâmetros, eliminando a necessidade de calibração empírica e aprimorando a robustez em diversas configurações de sistema.

Resultados Numéricos
Simulações de Monte Carlo foram conduzidas para estimativa de canal de enlace ascendente em um sistema XL-MIMO com um array linear uniforme (ULA) sob condições de campo próximo. O CP-SBL proposto foi comparado ao SBL Aprimorado (E-SBL) e à Passagem de Mensagens Variacional (VMP).

• Desempenho SNR: O CP-SBL alcançou consistentemente um Erro Quadrático Médio Normalizado (NMSE) menor que o E-SBL e o VMP em uma ampla faixa de SNRs. Em 10 dB de SNR, o CP-SBL demonstrou uma redução de 60% no NMSE em comparação com o E-SBL.
• Contagem de Antenas: À medida que o número de antenas ($M$) aumentava, o CP-SBL mantinha uma vantagem de desempenho, sugerindo que ele explora mais efetivamente a estrutura de esparsidade dos canais de campo próximo em arrays grandes.
• Comprimento de Piloto: A melhoria relativa do CP-SBL sobre as bases tornou-se mais pronunciada à medida que o comprimento do piloto ($N$) aumentava, indicando utilização efetiva de recursos de piloto adicionais.
• Níveis de Esparsidade: Em cenários com menos caminhos de propagação (maior esparsidade), o CP-SBL mostrou ganhos de desempenho mais significativos. À medida que o canal se tornava menos esparsos (mais caminhos), o desempenho de todos os métodos degradou-se, mas o CP-SBL permaneceu superior para contagens de caminhos mais baixas.

Significado e Alegações
O artigo alega que o CP-SBL oferece uma alternativa prática e robusta ao SBL de base para estimativa de canal em XL-MIMO. Ao mudar de suposições de prioris paramétricos para um critério de consistência preditiva, o método adapta-se às estatísticas específicas dos dados observados sem exigir ajuste manual. Os autores afirmam que essa abordagem melhora a precisão da estimativa em SNRs variáveis, comprimentos de piloto, contagens de antenas e números de caminhos de propagação, mantendo complexidade computacional comparável aos métodos SBL existentes. A remoção da calibração empírica é destacada como um fator chave para melhorar a reprodutibilidade e a praticidade para implantações no mundo real.