Deep Learning-Assisted Multicast Subgrouping in Massive MIMO

Resumo Técnico: Subagrupamento de Multicast Assistido por Aprendizado Profundo em Massive MIMO

Problema
A entrega eficiente de conteúdo em multicast massive multiple-input multiple-output (mMIMO) é limitada por dois fatores primários: o overhead de pilotos e o "efeito do pior usuário" (worst-user effect). No multicast convencional, uma única taxa de transmissão deve atender a todos os usuários, limitando o desempenho ao usuário com as piores condições de canal. Além disso, atribuir pilotos ortogonais para cada usuário (unicast) cria um overhead proibitivo em sistemas de grande escala. Embora o subagrupamento de multicast — particionando usuários em subconjuntos com estatísticas de canal espacial semelhantes para aplicar precodificadores distintos — ofereça uma solução, determinar o número ideal de subgrupos ($G$) permanece um problema desafiador e amplamente não resolvido. Métodos heurísticos existentes (por exemplo, K-means com $G$ fixo) ou agrupamento baseado em densidade (por exemplo, DBSCAN) frequentemente falham em se adaptar a distribuições heterogêneas de usuários ou exigem uma busca exaustiva para encontrar o $G$ que maximiza a eficiência espectral (SE) de soma.

Metodologia
O artigo propõe uma estrutura assistida por aprendizado profundo para inferir o número ideal de subgrupos de multicast diretamente das estatísticas de canal espacial dos usuários (matrizes de covariância) sem a necessidade de informação de estado de canal (CSI) instantânea. A abordagem opera sob um modelo de aquisição de CSI escalável onde um piloto é reutilizado por subgrupo.

A metodologia central consiste em três estágios principais:

1. Pré-processamento de Entrada (PCA Específico por Snapshot): Como o número de usuários ($K$) varia entre os cenários, os autores empregam uma Análise de Componentes Principais (PCA) por snapshot. Isso transforma matrizes de covariância espacial de tamanho variável em uma representação de comprimento fixo de escores de Componentes Principais (PC). Se o número de usuários for menor que a capacidade máxima do sistema ($K_{max}$), os vetores de entrada são preenchidos com zeros (zero-padding) para manter uma dimensão consistente para a rede neural.
2. Codificação Sequencial (LSTM): Uma rede Long Short-Term Memory (LSTM) processa a sequência de escores de PC dos usuários. A LSTM é escolhida por sua capacidade de lidar com sequências de comprimento variável e capturar dependências espaciais latentes entre os usuários. A arquitetura inclui um aprimoramento de "replicação de dados", onde os dados de entrada são replicados para sempre preencher $K_{max}$ passos de tempo, refinando o estado interno do modelo e melhorando a robustez a contagens variáveis de usuários.
3. Saída e Aprendizado por Transferência (TL):
   • Modelo Base: O modelo inicial trata a inferência de subgrupos como uma tarefa de classificação de múltiplas saídas. Ele prevê a distribuição de probabilidade do número de subgrupos ($G$) para subconjuntos de usuários progressivamente maiores dentro de uma única passagem direta (forward pass).
   • Extensão de Aprendizado por Transferência (LSTM-TL-SE): Para otimizar ainda mais o desempenho, uma abordagem de aprendizado por transferência é introduzida. O codificador LSTM pré-treinado (congelado) extrai características espaciais, enquanto um cabeçalho denso leve é ajustado (fine-tuned) para prever diretamente a SE de soma normalizada para diferentes contagens de subgrupos candidatas. O $G$ ideal é então selecionado como aquele que maximiza a SE prevista, evitando a necessidade de busca exaustiva.

Principais Contribuições

• Mecanismo de Subagrupamento Assistido por LSTM: Uma estrutura inovadora que infere o número de subgrupos de multicast a partir de estruturas de covariância espacial, adaptando-se a tamanhos variáveis de conjuntos de usuários sem suposições heurísticas.
• Pipeline de PCA Específico por Snapshot: Uma técnica de pré-processamento que converte matrizes de covariância de tamanho variável em representações de características de comprimento fixo adaptadas a cada snapshot específico de distribuição de usuários.
• Aprendizado por Transferência para Estimativa de SE: Uma extensão que reutiliza o extrator de características espaciais para prever diretamente a eficiência espectral de soma, permitindo a seleção de subgrupos próxima do ideal sem avaliação exaustiva.
• Estratégia de Subagrupamento Intra-Serviço: Um método que preserva a semântica de multicast (fluxo de conteúdo único) enquanto melhora a eficiência da camada física através de múltiplos precodificadores adaptados a subconjuntos estatisticamente homogêneos.
• Avaliação Abrangente: Simulações extensas validando a abordagem contra benchmarks que incluem unicast, multicast convencional, subagrupamento aleatório e agrupamento DBSCAN em distribuições de usuários agrupadas e esparsas.

Resultos
Resultados de simulação em um cenário mMIMO de célula única (64 antenas, até 120 usuários) demonstram o seguinte:

• Desempenho: O modelo proposto LSTM (TL-SE) atinge até 85,2% da eficiência espectral de soma teórica máxima (o limite superior encontrado via busca exaustiva). Ele supera o melhor benchmark prático, DBSCAN (79,2%), e excede significativamente o unicast (67,2%) e o multicast convencional (71,4%) em diversos cenários.
• Robustez: O modelo mantém alto desempenho tanto em cenários agrupados (onde o subagrupamento é benéfico) quanto em cenários esparsos (onde ele naturalmente retorna a um comportamento semelhante ao unicast, $G \approx K$).
• CSI Imperfeito: Sob informações de covariância perturbadas (simulando erros de estimativa), o modelo de aprendizado por transferência mostra a maior resiliência, retendo aproximadamente 80,1% do desempenho do limite superior mesmo com descompasso significativo ($\alpha=0,5$), superando o DBSCAN nessas condições.
• Generalização: Quando aplicado a cenários Cell-Free (CF-mMIMO) sem retreinamento, os modelos treinados em dados de célula única mantêm pequenos desvios da configuração ideal de subgrupos, indicando que a inferência de estrutura espacial aprendida se generaliza através de diferentes arquiteturas de rede.
• Complexidade: O método proposto escala polinomialmente com o número de usuários e antenas, oferecendo uma alternativa computacionalmente eficiente aos métodos de beamforming baseados em otimização que exigem CSI instantâneo completo.

Significância e Alegações
O artigo afirma apresentar o primeiro framework que combina conjuntamente redução de dimensionalidade específica por snapshot, modelagem sequencial de estruturas de covariância de usuários e aprendizado por transferência para previsão de eficiência espectral no subagrupamento de multicast.

Os autores enfatizam que sua abordagem é especificamente projetada para o regime de mMIMO limitado por pilotos, onde o CSI instantâneo completo por usuário é indisponível ou caro demais para adquirir. Ao inferir a estrutura de subgrupos a partir de estatísticas espaciais de grande escala, o método permite configurações de subgrupos adaptativas que mitigam o efeito do pior usuário sem incorrer em um overhead linear de pilotos. O trabalho destaca que o modelo aprende a estrutura espacial subjacente que governa o subagrupamento, permitindo identificar corretamente quando o subagrupamento é benéfico (usuários agrupados) e quando não é (usuários esparsos), fornecendo uma solução robusta para topologias de usuários dinâmicas e imprevisíveis. Os autores observam modestamente que, embora o framework generalize bem estruturalmente, o mapeamento da configuração de subgrupo para a eficiência espectral específica permanece dependente do sistema, e trabalhos futuros devem explorar campanhas de medição do mundo real e interferência multicelular.