⚡ electrical engineering

SEMIKHORN: Globally balanced affinities for mmWave Localization in MU mMIMO systems

Este artigo propõe o SEMIKHORN, um framework de mapeamento de canal semissupervisionado para localização em mmWave em sistemas mMIMO multiusuário que utiliza o algoritmo globalmente balanceado t-SNEkhorn para fundir dissimilaridades de informações de estado de canal locais, alcançando um erro médio de localização de 6,86% com menos de 15% de dados rotulados.

Autores originais: Abhisha Garg, Raghav Shukla, Suraj Srivastava, Aditya K. Jagannatham

Publicado 2026-06-08

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Abhisha Garg, Raghav Shukla, Suraj Srivastava, Aditya K. Jagannatham

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando desenhar o mapa de uma cidade gigante e nebulosa, mas não tem um GPS. Você só tem um grupo de pessoas (os usuários) paradas na cidade e algumas torres de rádio (as estações base) que conseguem "ouvir" suas vozes. As torres podem dizer o quão alta ou clara é uma voz e, a partir disso, podem estimar a distância entre duas pessoas.

Este artigo apresenta uma nova maneira mais inteligente de desenhar esse mapa, chamada SEMIKHORN. Veja como funciona, dividido em conceitos simples:

1. O Problema: O Mapa "Distorcido"

Normalmente, quando tentamos mapear esses usuários com base em sinais de rádio, usamos uma ferramenta padrão chamada t-SNE. Pense no t-SNE como um guia turístico entusiasta que tenta manter os amigos próximos uns dos outros no mapa. No entanto, esse guia tem uma falha: ele é um pouco autocentrado. Ele garante que seus amigos imediatos fiquem próximos, mas não se importa se o grupo inteiro acabar espremido em um cantinho ou esticado de forma estranha.

Em termos técnicos, o t-SNE padrão cria vizinhanças "desequilibradas". Algumas áreas do mapa ficam superlotadas, enquanto outras ficam vazias, distorcendo a verdadeira forma da cidade.

2. A Solução: O Guia "Justo" (t-SNEkhorn)

Os autores criaram uma nova ferramenta chamada t-SNEkhorn. Imagine que este é um guia turístico superjusto que utiliza uma regra matemática chamada "Transporte Ótimo Entrópico".

A Analogia: Em vez de olhar apenas para os amigos de uma pessoa, este guia olha para toda a multidão de uma só vez. Eles garantem que cada pessoa tenha exatamente o mesmo número de "vizinhos" no mapa.
O Resultado: Isso cria um mapa globalmente equilibrado. Ninguém é esmagado e ninguém se perde no vazio. As relações entre todos os usuários são tratadas de forma igual, preservando muito melhor a verdadeira forma da cidade do que o método antigo.

3. Reunindo Pistas de Múltiplas Torres

No mundo real, uma torre de rádio não consegue ver a cidade inteira.

O Jeito Antigo: Uma única torre desenha um mapa local, que pode estar errado para pessoas que estão longe.
O Jeito Novo (SEMIKHORN): O sistema pede a cinco torres diferentes que desenhem seus próprios mapas locais. Então, ele atua como um editor sábio, combinando todos os cinco mapas em um único Mapa Global. Ele pesa as pistas com base na clareza do sinal (como confiar em uma voz alta e clara em vez de um sussurro).

4. O Truque "Semi-Supervisionado" (As Âncoras)

Para tornar o mapa preciso, o sistema precisa de algumas "âncoras".

A Analogia: Imagine que você está desenhando o mapa de uma floresta, mas não sabe onde fica o Polo Norte. Se você posicionar 14% dos trilheiros em locais onde você já sabe as coordenadas exatas (como uma árvore famosa ou uma placa de sinalização), o sistema pode usar esses pontos fixos para puxar o resto do mapa para a orientação correta.
A Alegação do Artigo: O sistema só precisa dessas âncoras rotuladas para uma pequena fração dos usuários (menos de 15%) para descobrir onde todos os outros estão.

5. Medindo a Distância: "Manhattan" vs. "Euclidiana"

Quando o sistema calcula a distância entre dois usuários com base em seus sinais de rádio, ele geralmente usa uma medição de linha reta (Euclidiana).

A Reviravolta do Artigo: Os autores descobriram que, neste ambiente de alta tecnologia, uma medição "Manhattan" (como contar quarteirões da cidade: vá 3 quarteirões para o leste, depois 4 para o norte) funciona melhor. É menos sensível à estática e ao ruído, ofereando uma imagem mais clara de quem está realmente perto de quem.

6. Ajustando o Motor (Otimização Bayesiana)

Construir este mapa requer o ajuste de muitos botões (como quantos vizinhos observar, ou quantas âncoras usar). Em vez de apenas adivinhar e testar, o sistema usa a Otimização Bayesiana.

A Analogia: Pense nisso como um robô inteligente que joga um jogo de "quente ou frio". Ele testa uma configuração, vê o quão bom o mapa ficou e, em seguida, adivinha inteligentemente a próxima configuração para chegar ainda mais perto do mapa perfeito, em vez de girar os botões aleatoriamente.

O Resultado Final

O artigo testou este sistema em uma cidade externa simulada com um raio de 100 metros.

Precisão: O sistema alcançou uma taxa de erro muito baixa (cerca de 6,86% de erro em uma área circular).
Eficiência: Ele fez tudo isso utilizando menos de 15% dos usuários como "âncoras" conhecidas.
Comparação: O novo mapa SEMIKHORN foi mais preciso e preservou muito melhor as relações de vizinhança (continuidade) e a confiabilidade do mapa do que o t-SNE padrão ou outras técnicas de mapeamento mais antigas.

Em resumo: O artigo apresenta uma maneira mais inteligente, justa e colaborativa de transformar sinais de rádio em um mapa de localização, garantindo que os "vizinhos" no mapa sejam realmente vizinhos na vida real, mesmo com muito pouco conhecimento prévio de onde as pessoas estão paradas.

Resumo Técnico: SEMIKHORN para Localização em mmWave

Definição do Problema
A localização precisa do usuário é um pré-requisito crítico para aproveitar todo o potencial dos sistemas massive MIMO de ondas milimétricas (mmWave). Embora posições absolutas nem sempre sejam estritamente necessárias para serviços baseados em localização, a preservação das relações de vizinhança relativa (pseudo-localizações) é essencial. As estruturas existentes de Channel Charting (CC), que aprendem representações latentes da geometria de rádio sem dados de verdade fundamental (ground-truth), enfrentam duas limitações primárias:

Cobertura Espacial Limitada: Abordagens de estação base (BS) única capturam apenas relações espaciais limitadas, levando a representações de vizinhança distorcidas para usuários em diferentes células.
Viés Algorítmico em Aprendizado de Variedades (Manifold Learning): O t-distributed Stochastic Neighbor Embedding (t-SNE) padrão, frequentemente usado para CC, realiza uma normalização de afinidade assimétrica. Isso resulta em representações de vizinhança desequilibradas e distorce a geometria global. Além disso, abordagens semissupervisionadas existentes dependem frequentemente de extensos dados rotulados ou modelos complexos de aprendizagem profunda que exigem recursos computacionais substanciais e ajuste cuidadoso de hiperparâmetros.

Metodologia
O artigo propõe o SEMIKHORN, uma estrutura de channel charting semissupervisionada projetada para sistemas mmWave massive MIMO multiusuário (MU) com estações base distribuídas. A metodologia procede através das seguintes etapas:

Modelagem de Canal e Extração de Características:
- O sistema considera $B$ BSs distribuídas, cada uma equipada com $N$ antenas, atendendo $K$ usuários de antena única.
- Em vez de coeficientes de canal instantâneos, a estrutura utiliza o segundo momento bruto da informação de estado de canal (CSI), $R^b_k$ , pois ele evolui de forma mais suave com a mobilidade do usuário.
- As características são extraídas escalonando o segundo momento bruto para compensar a perda de percurso (path loss) e transformando-as no domínio de feixe (beamspace) por meio de uma matriz de transformada de Fourier.
- Uma métrica de distância de Manhattan (L1) é empregada para computar a dissimilaridade entre usuários. Os autores argumentam que, em espaços de alta dimensão, a métrica L1 fornece uma correlação mais forte entre a dissimilaridade de características e a verdadeira separação física em comparação com a convencional métrica Euclidiana (L2), que pode amplificar o ruído.
Construção da Matriz de Dissimilaridade:
- Cada BS constrói uma matriz de dissimilaridade local baseada em seu CSI observado.
- Essas matrizes locais são fundidas em uma única matriz de dissimilaridade global usando uma média ponderada. Os pesos são determinados pela Relação Sinal-Ruído (SNR) dos links, garantindo que contribuições de CSI mais confiáveis de BSs específicas sejam priorizadas.
t-SNEkhorn e Transporte Ótimo Entrópico:
- A inovação central substitui o t-SNE padrão pelo t-SNEkhorn, que utiliza transporte ótimo entrópico para construir similaridades de pares.
- Diferente do t-SNE padrão, que normaliza afinidades independentemente por ponto de dado (estocástica por linha), o t-SNEkhorn impõe afinidades duplamente estocásticas (simétricas e com somas de linha e coluna iguais a 1) usando o algoritmo Sinkhorn-Knopp.
- Justificativa Teórica: O artigo demonstra analiticamente que matrizes de afinidade não duplamente estocásticas no t-SNE padrão introduzem um limite inferior positivo na divergência de Kullback-Leibler (KL), limitando a otimização. Ao impor a dupla estocasticidade, o t-SNEkhorn remove esse limite inferior, permitindo uma minimização mais eficaz do objetivo KL e produzindo grafos de vizinhança equilibrados que se alinham à suposição de usuários uniformemente distribuídos.
Aprendizado Semissupervisionado e Otimização:
- A estrutura incorpora um pequeno conjunto de posições de usuários rotuladas como "âncoras rígidas" (hard anchors) para inferir posições geográficas absolutas para usuários não rotulados.
- O embedding é otimizado minimizando a divergência KL entre a matriz de afinidade de alta dimensão ( $G^*$ ) e a matriz de afinidade de baixa dimensão ( $B^*$ ), sujeito à restrição de que os pontos rotulados permaneçam fixos em suas coordenadas de verdade fundamental.
- A Otimização Bayesiana é empregada para ajustar automaticamente hiperparâmetros críticos (especificamente a perplexidade e o número de âncoras rígidas) para minimizar o Erro Médio de Localização (MLE), evitando o ajuste manual.

Principais Contribuições

Primeira Aplicação de Afinidades Duplamente Estocásticas: O artigo introduz a primeira aplicação de afinidades entrópicas simétricas e duplamente estocásticas (via t-SNEkhorn) para localização sem fio semissupervisionada, substituindo a projeção Euclidiana em matrizes simétricas usada no t-SNE padrão.
Melhoria Teórica na Otimização: Fornece uma prova analítica de que a imposição de dupla estocasticidade relaxa o limite inferior positivo no objetivo de divergência KL, melhorando assim a fidelidade do embedding.
Reformulação de Métrica: A estrutura reformula a medida de dissimilaridade usando a métrica de Manhattan (L1), demonstrando sua superior correlação com a proximidade espacial em comparação com a métrica Euclidiana em espaços de características de canal de alta dimensão.
Ajuste Automático de Hiperparâmetros: A integração da otimização bayesiana para determinar parâmetros de embedding ideais, resultando em ganhos substanciais em confiabilidade e redução do erro de localização.

Resultos Experimentais
A estrutura foi avaliada em um ambiente externo simulado com 5 BSs mmWave distribuídas e 2048 usuários uniformemente distribuídos dentro de um raio de 100m.

Desempenho: O SEMIKHORN alcançou um Erro Médio de Localização (MLE) de 6,86% nas proximidades circulares.
Eficiência de Dados: A estrutura exigiu menos de 15% das amostras de CSI rotuladas para alcançar esses resultados.
Análise Comparativa: Comparado a técnicas de estado da arte (t-SNE padrão, Aprendizado de Autovalores Laplaciano, PCA de Kernel, Mapeamento de Sammon), o SEMIKHORN demonstrou continuidade (0,95–0,98) e confiabilidade (0,95–0,97) superiores. Os resultados indicam que a formulação duplamente estocástica mitiga efetivamente o viés em direção a regiões densas encontrado no t-SNE padrão, preservando tanto a topologia global quanto a continuidade da vizinhança local.
Validação de Métrica: Visualizações e gráficos de correlação confirmaram que a métrica de distância de Manhattan forneceu uma discriminação mais clara de amostras de CSI espacialmente distintas em comparação com a métrica Euclidiana.

Significância
O artigo afirma que o SEMIKHORN oferece uma solução robusta e escalável para localização mmWave que não depende de conjuntos de dados rotulados extensos ou modelos de aprendizagem profunda computacionalmente pesados. Ao alavancar afinidades globalmente equilibradas através de transporte ótimo entrópico, a estrutura garante uma representação de vizinhança consistente em toda a rede, abordando as limitações de abordagens de BS única e as distorções geométricas de técnicas padrão de aprendizagem de variedades. O uso de otimização bayesiana aumenta ainda mais a praticidade da estrutura ao automatizar o processo de ajuste para minimizar o erro de localização.