⚡ electrical engineering

Pilot Allocation for Multi-Hop Over-the-Air Neural Inference under Imperfect CSI

本文研究了多跳放大转发中继网络中不完美信道状态信息对神经推理分类性能的影响，提出了五种导频分配启发式方案，并揭示了信道训练开销与分类精度之间的权衡关系，表明在导频功率充足且资源均衡分配时，系统精度可接近数字基线。

原作者： Tolga Girici, Meng Hua, Deniz Gündüz

发布于 2026-04-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Tolga Girici, Meng Hua, Deniz Gündüz

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文探讨了一个非常前沿且有趣的话题：如何利用无线信号“在空中”直接完成人工智能（AI）的计算任务，而不是把数据传回服务器处理。

为了让你轻松理解，我们可以把这项技术想象成**“接力赛传话”，而这篇论文主要解决的是“如何分配练习时间”**的问题。

1. 核心概念：什么是“空中计算”？

想象一下，你有一群人在玩“传声筒”游戏。

传统做法（数字通信）： 第一个人把话写下来，传给第二个人，第二个人再写下来传给第三个人……最后一个人把写好的字交给裁判。这很慢，而且每个人抄写时都可能写错字（量化误差、打包开销）。
这篇论文的做法（空中计算/OTA）： 第一个人直接对着空气喊话，声音在空气中传播，第二个人听到后直接放大声音继续喊，第三个人接着喊……最后裁判直接听到的是所有人声音叠加后的结果。
- 好处： 速度极快（低延迟），不需要把声音变成文字再传输（省流量）。
- 挑战： 空气中有噪音，而且声音传得越远越模糊。

2. 遇到的问题：信号失真（CSI 误差）

在这个“接力赛”中，每个接力棒（中继器）都需要知道**“前面的声音传到我这里时，变调了多少”（这就是信道状态信息，CSI**）。

如果接力棒知道得准，它就能把声音调整得完美，最后裁判听到的就是清晰的原话。
如果接力棒猜错了（CSI 不完美），它可能会把声音放大太多或者方向搞反，导致最后裁判听到的一团糟。

在论文中，作者发现：如果接力棒们没有花足够的时间去“练习听音”（训练/导频），它们就会猜错，导致最后的 AI 判断（比如识别图片是猫还是狗）准确率大幅下降。

3. 核心难题：有限的“练习时间”怎么分？

整个系统只有有限的总时间可以用来做“练习”（发送导频信号来校准声音）。

如果大家都只练一点点，大家都猜不准。
如果把所有时间都用来练第一棒，后面的人还是练不好。
论文的核心问题就是： 在总时间固定的情况下，应该如何分配这些练习时间给每一棒（每一跳），才能让最后的 AI 判断最准？

4. 作者提出的五种“分配策略”

作者像教练一样，提出了五种分配练习时间的“战术”：

平均分配法（Uniform）： 不管谁强谁弱，大家平分练习时间。就像给每个队员发同样多的练习卷。
按人数分配法（Proportional）： 哪一棒的人多（天线多），就分给谁多一点时间。
先紧后松法（Front-loaded）： 重点练习第一棒。因为第一棒如果听错了，后面的人怎么传都是错的（误差会像滚雪球一样越滚越大）。
全给第一棒法（All-excess-to-first）： 把所有额外的练习时间都砸在第一棒身上，赌它准了后面就顺了。
看人下菜碟法（Channel-strength-aware）： 谁信号弱、谁环境吵，就多给谁练习时间。就像给听力不好的队员多开小灶。

5. 实验结果：教练发现了什么？

作者通过大量的电脑模拟（就像在虚拟世界里跑了几千次接力赛），得出了几个有趣的结论：

没有免费的午餐： 练习时间越多，准确率越高。但是，练到一定程度后，再增加时间，提升就不明显了（边际效应递减）。
平衡是关键： 最好的策略通常是**“平均分配”或者“看人下菜碟”**。
- 如果你把时间全给第一棒，虽然第一棒练得神准，但后面的人因为没时间练习，依然会出错，导致整体效果很差。
- 如果大家都练得差不多，整体效果最稳。
多跳接力有奇效： 把长距离分成很多短距离的接力（比如分成 3 段而不是 1 段），每个人只需要听清楚很短的一段，这样大家更容易练准，最后的结果反而比“一棒到底”要好得多。
功率很重要： 如果发声音的力气（发射功率）太小，光靠练也没用，大家还是听不清。必须“力气”和“练习”双管齐下。

6. 总结：这对我们意味着什么？

这篇论文告诉我们，未来在自动驾驶、AR 眼镜、物联网这些需要极速反应的场景中，我们可以利用无线信号直接做 AI 计算，不用把数据传回云端。

但是，要让这个系统好用，不能只盯着“传数据”，还得精心设计“校准信号”的分配策略。就像一场接力赛，不仅要跑得快，还要确保每个队员都听得清指令，并且大家都有足够的机会去磨合，这样才能跑出世界冠军的成绩。

一句话总结：
想要让 AI 在无线信号中“隔空”算得准，就得把宝贵的“校准时间”公平地分给每一个接力环节，谁也别落下，这样最后的“接力棒”才能稳稳地交到裁判手里。

这是一份关于论文《Pilot Allocation for Multi-Hop Over-the-Air Neural Inference under Imperfect CSI》（非完美信道状态信息下的多跳空口神经网络推理中的导频分配）的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：
- 边缘计算应用（如增强现实、自动驾驶）需要低延迟推理，但将原始数据上传至云端存在高延迟和通信开销。
- 空口计算 (Over-the-Air, OTA) 利用无线信道的叠加特性，直接在空气中计算函数，避免了量化和分组开销。
- 现有的研究提出了利用 OTA 实现全连接（FC）神经网络层（AirFC）的框架，通常基于放大转发（AF）中继网络。
核心问题：
- 现有的 OTA 神经网络推理研究大多假设完美的信道状态信息 (CSI)。
- 在实际系统中，CSI 必须通过导频估计获得，因此必然存在估计误差 (Imperfect CSI)。
- 在多跳 (Multi-hop) 中继网络中，信道估计误差会逐跳累积，严重影响神经网络的推理精度。
- 关键挑战：在有限的总训练时间（导频资源）下，如何在多跳链路间分配导频长度，以平衡信道估计质量与系统开销，从而最大化分类准确率？

2. 方法论 (Methodology)

2.1 系统模型

架构：多天线基站 (BS) 通过 $L$ 组单天线 AF 中继设备，将信号传输至多天线接收端 (Rx)。
信号流：
1. BS 对输入向量 $x$ 进行预编码 ( $F_1$ )。
2. 信号经过多跳中继，每跳的中继设备对接收信号进行放大 ( $A_l$ ) 并转发。
3. 接收端进行合并 ( $F_2$ )。
4. 目标是通过无线信道模拟全连接层的线性变换 $y = Wx + b$。
噪声累积：由于 AF 中继的放大特性，每跳引入的噪声会累积并在接收端被放大，导致信噪比下降。

2.2 信道估计框架

估计方法：采用基于导频的最小二乘 (LS) 估计。
正交导频：假设不同跳之间采用时分多址 (TDMA)，组内设备使用正交导频序列。
导频长度：第 $l$ 跳分配的导频长度为 $\tau_l$ 。增加 $\tau_l$ 可以提高该跳的 CSI 质量，但会增加总训练开销 $\tau_{tot} = \sum \tau_l$ 。

2.3 优化目标与求解

目标函数：最小化“全连接层模仿误差”与“噪声传播惩罚”之和。
$\min \| F_2 \hat{H}_{eff} F_1 - W \|_F^2 + \text{tr}(F_2 R_{in}^n F_2^H)$
约束条件：BS 和中继设备的功率限制。
求解算法：采用交替优化 (Alternating Optimization, AO) 算法，迭代优化 BS 预编码矩阵 $F_1$ 、接收端合并矩阵 $F_2$ 和中继增益矩阵 $\{A_l\}$ 。

2.4 导频分配策略 (核心贡献)

作者提出了5 种启发式导频分配策略，用于在总训练时间固定的情况下，决定如何将额外的训练时间（超出最小正交导频需求的部分）分配给各跳：

均匀分配 (Uniform)：尽可能均匀地增加各跳的导频重复次数。
按比例分配 (Proportional-to-minimum)：根据各跳的最小导频需求比例分配额外时间。
前置分配 (Front-loaded)：将更多资源分配给前几跳（基于误差传播理论，前跳误差影响更大）。
全给第一跳 (All-excess-to-first-hop)：将所有额外资源分配给第一跳。
信道感知分配 (Channel-strength-aware)：根据信道强度（如路径损耗或范数）分配，信道越弱/噪声越大，分配越多导频。

3. 主要结果 (Key Results)

通过基于 Fashion-MNIST 数据集的数值仿真（参数包括：28GHz 载波，300MHz 带宽，多跳中继等），得出以下结论：

训练开销与精度的权衡：
- 存在明显的权衡关系：增加总训练时间（导频数量）能显著提高分类准确率，但收益呈边际递减。
- 在导频功率充足且分配合理的情况下，系统准确率可接近数字基线 (Digital Baseline)（即完美 CSI 下的性能）。
分配策略的有效性：
- 高导频功率场景 ( $P_p = 1W$ )：大多数策略（均匀、比例、信道感知）在足够训练时间下都能接近完美 CSI 性能。其中“信道感知”策略略优（约 0.1%），但差异不大，因为信道异质性较低。
- 低导频功率场景 ( $P_p = 0.1W$ )：性能受限于信道估计质量。此时，均衡的分配策略（如均匀、比例）优于极端策略（如全给第一跳）。极端分配会导致某些跳的 CSI 极差，从而拖累整体性能。
- 前置分配：在低功率且训练时间增加时，前置分配策略表现更好，因为前跳的误差对后续级联影响最大。
多跳 vs 单跳：
- 增加中继组数（即增加跳数 $L$ ，例如 $L=3$ ）可以缩短单跳距离，改善信道估计质量，从而获得更高的模仿精度和更低的方差。
- 相比之下，单跳 ( $L=1$ ) 即使增加中继数量，也无法显著提升精度，且方差较大。

4. 关键贡献 (Key Contributions)

揭示了非完美 CSI 的影响：首次深入研究了多跳 OTA 神经网络推理中，信道估计误差对分类性能的具体影响，打破了以往假设完美 CSI 的局限。
提出了导频分配框架：建立了一个基于导频长度的信道估计模型，并量化了训练开销与推理精度之间的权衡。
设计了五种启发式策略：提出了五种具体的导频分配算法，并通过仿真比较了它们在低/高信噪比、不同跳数下的表现，为系统设计提供了实用指南。
验证了多跳架构的潜力：证明了在合理分配导频资源的前提下，多跳 AF 中继网络能够实现接近数字基线的神经网络推理性能。

5. 意义与展望 (Significance & Future Work)

理论意义：填补了多跳 OTA 计算中联合信道估计与资源分配研究的空白，证明了在资源受限的无线环境中实现高精度模拟推理的可行性。
工程价值：为设计低延迟、高能效的边缘 AI 系统提供了具体的资源调度策略（即如何分配导频时间），特别是在信道条件恶劣或功率受限的场景下。
未来方向：
- 分析中继节点间的同步误差对系统的影响。
- 研究从大规模中继池中选择最优中继子集以提升效率。
- 结合能量收集技术，实现同时信息传输与 OTA 计算。

总结：该论文证明了在 imperfect CSI 条件下，通过合理的导频资源分配策略，多跳 OTA 神经网络推理系统可以克服信道估计误差和噪声累积，实现接近理想数字系统的分类性能。这为未来无线赋能的 AI 系统（Wireless AI）提供了重要的设计依据。