Multi-Objective Dataset Optimization for Learning-Based DC-Bias Prediction in DCO-OFDM

Resumo Técnico: Otimização de Conjunto de Dados Multiobjetivo para Predição de Viés DC Baseada em Aprendizado em DCO-OFDM

Definição do Problema
Em sistemas de Comunicação por Luz Visível (VLC) utilizando DCO-OFDM (Direct Current Optical Orthogonal Frequency Division Multiplexing), a seleção do viés DC é um parâmetro de projeto crítico. Ele influencia diretamente métricas de desempenho interdependentes: Taxa de Erro de Bit (BER), Razão Pico-Média de Potência (PAPR) e ruído de clipping. Embora a literatura existente tenha abordado extensivamente a otimização do viés DC usando algoritmos heurísticos ou aprendizado de máquina (ML) para instâncias de transmissão específicas, permanece uma lacuna significativa no nível do conjunto de dados. As abordagens atuais dependem tipicamente de simulações exaustivas de força bruta para gerar dados de treinamento, o que frequentemente resulta em amostras redundantes e na falta de uma otimização sistemática para capturar trade-offs multiobjetivo. Além disso, os trabalhos baseados em ML existentes focam na melhoria dos modelos de predição sem validar se o próprio conjunto de dados subjacente está otimamente estruturado para o aprendizado. Há uma carência de um framework sistemático para gerar, selecionar e validar um conjunto de dados otimizado que reflita as complexas relações entre as estatísticas do sinal e os valores de viés ideais para um aprendizado generalizado.

Metodologia
Os autores propõem um framework sistemático que desloca o foco da otimização ao nível da instância para a modelagem centrada nos dados. A metodologia procede através de quatro etapas principais:

1. Geração de Conjunto de Dados Brutos: Um conjunto de dados brutos de alta dimensão é construído via simulação exaustiva em MATLAB. O processo envolve a geração de 5.000 símbolos DCO-OFDM com modulação 4-QAM e um comprimento de símbolo de 2048. Os valores de viés DC são varridos de 2 dB a 12 dB (com incrementos de 0,05 dB) através de valores de Relação Sinal-Ruído (SNR) variando de 8 dB a 25 dB. Para cada configuração, características estatísticas (mínimo, máximo, média e desvio padrão do sinal pré-viés) e métricas de desempenho (BER média, PAPR e potência de ruído de clipping) são extraídas. Isso resulta em um conjunto de dados brutos de 5000 símbolos $\times$ 201 níveis de viés.

2. Otimização de Conjunto de Dados Multiobjetivo: O problema é reformulado como uma tarefa de otimização multiobjetivo para selecionar as amostras mais adequadas do conjunto de dados bruto. Uma função objetivo $J$ é definida como uma soma ponderada das métricas de desempenho: $J = 0,5 \times \text{BER} + 0,3 \times \text{PAPR} + 0,2 \times \text{Ruído de Clipping}$. Seis técnicas de otimização são aplicadas para extrair amostras ideais (linhas) para cada símbolo:

   • Algoritmo Genético (GA)
   • Otimização por Enxame de Partículas (PSO)
   • Informação Mútua (MI) com pesos estáticos (MI-static)
   • Informação Mútua (MI) com pesos dinâmicos (MI-dynamic)
   • Otimização de Pareto
   • Técnica para Ordenação de Preferência por Similaridade à Solução Ideal (TOPSIS)

3. Framework de Avaliação de Múltiplas Etapas: Os seis conjuntos de dados resultantes são avaliados através de um processo rigoroso de múltiplas etapas:

   • Análise Estatística: Examinar o comportamento dos valores de viés selecionados através dos níveis de SNR para garantir adaptabilidade e significado físico.
   • Avaliação Baseada em Desempenho: Comparar o BER, PAPR e ruído de clipping resultantes entre os diferentes otimizadores.
   • Pontuação Composta: Uma pontuação unificada derivada de métricas normalizadas para avaliar o equilíbrio do trade-off.
   • Teste de Significância Estatística: Um teste de Wilcoxon signed-rank não paramétrico é aplicado para comparar as distribuições de BER dos métodos com melhor desempenho.

4. Validação por Aprendizado de Máquina: Como critério final de validação, os conjuntos de dados gerados pelos principais concorrentes são utilizados para treinar sete modelos de regressão (Regressão Linear, Árvore de Decisão, Random Forest, Gradient Boosting, XGBoost, SVR e kNN). Os conjuntos de dados são avaliados com base em sua capacidade de suportar uma modelagem preditiva precisa, medida por $R^2$, RMSE e MAE.

Principais Contribuições
O artigo delineia cinco contribuições primárias:

1. Reformulação ao Nível do Conjunto de Dados: O trabalho reformula o problema do viés DC da otimização ao nível da instância para a otimização ao nível do conjunto de dados, visando construir um conjunto de dados estruturado que capture as relações subjacentes para um melhor aprendizado generalizado.
2. Geração Sistemática de Dados: A criação de um conjunto de dados de alta dimensão varrendo o viés DC através de múltiplas condições de SNR, extraindo tanto características estatísticas do sinal quanto métricas de desempenho.
3. Análise Comparativa de Otimização: Uma comparação abrangente de seis técnicas distintas de otimização (GA, PSO, MI-static/dynamic, Pareto, TOPSIS) para extrair amostras ideais baseadas em uma função de objetivo ponderada.
4. Framework de Avaliação Inovador: A introdução de uma estratégia de avaliação de múltiplas etapas que combina análise estatística, métricas de desempenho, pontuação composta e testes de significância estatística, culminando na validação por ML para avaliar a adequação do conjunto de dados para modelagem preditiva.
5. Fundação para Trabalhos Futuros: O estabelecimento de um conjunto de dados otimizado e estruturado que serve como base para futuras estimativas de viés DC baseadas em dados e sistemas de comunicação adaptativos.

Resultados
A avaliação produziu as seguintes descobertas:

• Comportamento do Otimizador: GA, PSO e métodos baseados em Pareto produziram valores de viés quase constantes através dos níveis de SNR, indicando falta de adaptabilidade às variações do canal. Em contrapartida, MI-static, MI-dynamic e TOPSIS demonstraram aumentos monotônicos no viés com o SNR, consistentes com o comportamento esperado do sistema.
• Trade-offs de Desempenho: Embora o MI-dynamic tenha alcançado baixo PAPR e ruído de clipping, resultou em um desempenho de BER inferior devido à superestimação do viés. GA e PSO minimizaram métricas individuais (PAPR/Ruído), mas falharam em equilibrar o trade-off, levando a um BER ruim.
• Principais Concorrentes: MI-static e TOPSIS emergiram como os métodos mais eficazes, alcançando um trade-off equilibrado. O teste de significância estatística (Wilcoxon signed-rank) revelou que o MI-static performou melhor em regimes de baixo SNR, enquanto o TOPSIS superou o outro em regimes de médio a alto SNR.
• Validação de ML: Quando utilizados como dados de treinamento para modelos de regressão, o conjunto de dados baseado em TOPSIS superou consistentemente o conjunto de dados MI-static. Em múltiplos modelos (ex: XGBoost), o conjunto de dados TOPSIS alcançou valores de $R^2$ mais altos (aprox. 0,9958 vs. 0,9946) e métricas de erro menores (RMSE e MAE). Isso indica que o dado selecionado pelo TOPSIS possui superior consistência estrutural e capacidade de aprendizado.

Significância e Alegações
Os autores alegam que este trabalho aborda uma lacuna crítica na literatura ao otimizar explicitamente o conjunto de dados em vez de apenas o modelo ou a instância. A significância do trabalho reside em demonstrar que a qualidade e a estrutura dos dados de treinamento são fatores decisivos para o sucesso da predição de viés DC baseada em aprendizado.

O artigo conclui que, embora o MI-static e o TOPSIS ofereçam um desempenho de comunicação comparável, o conjunto de dados baseado em TOPSIS é a escolha ideal para frameworks baseados em aprendizado. Esta seleção é impulsionada não meramente pelas métricas de comunicação, mas pela capacidade superior do conjunto de dados em suportar a modelagem preditiva, evidenciada por maior precisão e menores taxas de erro em diversos modelos de regressão. O framework proposto fornece uma base para o desenvolvimento de sistemas de OFDM óptico adaptativos e baseados em dados, indo além da simulação de força bruta em direção à construção inteligente e otimizada de dados. Os autores observam que trabalhos futuros utilizarão este conjunto de dados selecionado para desenvolver modelos de predição em tempo real para condições de sistema não vistas.