Contrastive Predictive Coding with Compression for Enhanced Channel State Feedback in Wireless Networks

Resumo Técnico: Codificação Preditiva Contrastiva com Compressão para Feedback de Estado de Canal Aperfeiçoado em Redes Sem Fio

Definição do Problema
O Feedback de Informação de Estado de Canal (CSI) preciso e oportuno é crítico para sistemas sem fio de próxima geração (5G e além) para permitir o beamforming, o escalonamento de usuários e a adaptação de link. No entanto, os canais sem fio são inerentemente variantes no tempo, levando ao "envelhecimento do canal" (channel aging), onde o CSI torna-se desatualizado antes de poder ser utilizado. Este problema é exacerbado por ambientes de alta mobilidade e arranjos massivos de antenas. Embora o projeto 3GPP tenha padronizado mecanismos de feedback de CSI baseados em IA, as abordagens atuais tratam a compressão de CSI (redução do overhead de feedback) e a predição de CSI (mitigação do envelhecimento) como problemas separados. Trabalhos existentes focam ou apenas na fidelidade de reconstrução sem abordar dependências temporais, ou tentam realizar a predição em vetores de CSI brutos de alta dimensão, o que é computacionalmente ineficiente e falha em aproveitar representações latentes compactas. Consequentemente, os pipelines padronizados carecem de uma solução integrada que otimize simultaneamente a eficiência de compressão e a coerência preditiva temporal.

Metodologia
Os autores propõem um framework unificado que integra a Codificação Preditiva Contrastiva (CPC) diretamente na arquitetura de compressão de CSI compatível com o 3GPP. Em vez de prever matrizes de CSI brutas de alta dimensão, o framework prevê representações latentes futuras, aprendendo assim a dinâmica temporal dentro do domínio comprimido. A abordagem otimiza conjuntamente dois objetivos através de uma função de perda combinada:

1. Fidelidade de Reconstrução: Medida pela minimização de $1 - \text{SGCS}$ (Similaridade de Cosseno Generalizada ao Quadrado).
2. Coerência Preditiva Temporal: Medida pela minimização da perda InfoNCE (Estimativa de Ruído de Informação Contrastiva), que incentiva a representação latente atual a prever estados latentes futuros.

O artigo introduz duas variantes arquiteturais distintas baseadas no paradigma de treinamento Tipo-1 do 3GPP (treinamento conjunto em um único lado, tipicamente na Estação Base):

• CPC-antes-da-Compressão (CPC-before-Compression): Esta variante realiza a modelagem autorregressiva em características codificadas antes da redução de dimensionalidade e quantização. Utiliza um módulo baseado em GRU para capturar dependências temporais nos mapas de características brutos, seguido por uma camada totalmente conectada para prever vetores latentes futuros. Essas predições são então comprimidas e quantizadas para transmissão via uplink. Este design impõe uma carga computacional maior ao codificador do Equipamento do Usuário (UE), mas alcança alta precisão de reconstrução.
• CPC-depois-da-Compressão (CPC-after-Compression): Esta variante desloca a modelagem temporal para o decodificador da Estação Base (BS). O UE emprega um codificador padrão compatível com o 3GPP para comprimir o CSI. A BS então reconstrói o CSI, remodela-o em uma sequência temporal e aplica o módulo CPC baseado em GRU para prever estados futuros. Este design preserva a pegada e a complexidade do codificador do UE, sendo adequado para dispositivos com recursos limitados.

Principais Contribuições

1. Framework Unificado: O artigo apresenta o primeiro framework que integra a CPC diretamente no pipeline de compressão 3GPP, abordando o envelhecimento do canal sem aumentar o overhead de feedback (mantendo um overhead de 64 bits via quantização de 2 bits de 32 dimensões latentes).
2. Arquitetura de Dupla Variante: A proposta de duas variantes distintas (CPC-before e CPC-after) permite um compromisso entre a complexidade computacional do UE e a precisão da predição.
3. Otimização Conjunta: Diferente de trabalhos anteriores que dependem apenas de similaridade de cosseno ou objetivos separados, esta abordagem otimiza conjuntamente a qualidade de reconstrução e a coerência temporal usando uma perda combinada de $1-\text{SGCS}$ e InfoNCE.
4. Avaliação Abrangente: Os métodos são avaliados em conjuntos de dados proprietários e compatíveis com o 3GPP da Nokia, Oppo e CATT, cobrindo diversos ambientes de canal. O estudo também inclui estudos de ablação sobre backbones temporais (GRU, LSTM, Transformer) e perdas de reconstrução, além de poda (pruning) de modelos.

Resultados Experimentais
As avaliações nos conjuntos de dados Nokia, Oppo e CATT geram as seguintes conclusões:

• CPC-antes-da-Compressão: Alcança uma precisão de reconstrução (SGCS) superior a 90% em vários conjuntos de teste (ex: 0,912 no CATT, 0,869 na Nokia/Oppo). Crucialmente, alcança 32× menos GFLOPs no decodificador (0,026 vs. 0,84) em comparação com o baseline do 3GPP, uma vez que a modelagem temporal pesada é transferida para o lado do codificador.
• CPC-depois-da-Compressão: Mantém uma pegada de codificador e tempo de inferência idênticos ao baseline do 3GPP, tornando-o altamente eficiente para UEs. Alcança pontuações de SGCS comparáveis ao baseline (ex: ~0,73 na Nokia/Oppo), enquanto fornece estimativas de CSI futuro na BS. No entanto, sua perda InfoNCE permanece próxima de zero, sugerindo que o gargalo da compressão limita a eficácia do aprendizado contrastivo nesta variante.
• Insights de Ablação:
  • Função de Perda: O uso de $1-\text{SGCS}$ como perda de reconstrução supera consistentemente o Erro Quadrático Médio (MSE).
  • Backbone Temporal: O GRU oferece um compromisso favorável entre complexidade e desempenho em comparação ao LSTM e ao Transformer.
  • Horizonte de Predição: Os modelos mantêm uma qualidade de reconstrução estável através de horizontes de predição de 2 a 20 passos.
  • Poda (Pruning): A poda estruturada da camada GRU na variante CPC-before permite a redução do tamanho do modelo com degradação aceitável de desempenho até proporções moderadas de poda.

Significância e Alegações
O artigo afirma que, ao unificar compressão e predição dentro de um pipeline padronizado, o framework proposto fornece uma solução de feedback de CSI eficiente computacionalmente e consciente da idade (age-aware). Ele aborda a lacuna nos estudos atuais do 3GPP, onde compressão e predição são tratadas separadamente. Os autores enfatizam que sua abordagem permite o aprendizado de representação temporal sem aumentar o overhead de feedback, oferecendo um caminho prático para mitigar o envelhecimento do canal em redes sem fio futuras. O trabalho destaca que, embora o CPC-antes-da-Compressão ofereça precisão superior e eficiência de decodificador, o CPC-depois-da-Compressão oferece um caminho viável para implantação de baixa complexidade no UE, preservando a arquitetura do codificador padrão. O código fonte é disponibilizado publicamente para facilitar pesquisas adicionais neste domínio.