GD4: Graph-based Discrete Denoising Diffusion for MIMO Detection

以下是论文《GD4：基于图的离散去噪扩散用于 MIMO 检测》的详细技术总结。

1. 问题定义

本文解决了多输入多输出（MIMO）检测问题，即在已知信道矩阵 $\mathbf{H}$ 和噪声的情况下，从接收信号 $\mathbf{y}$ 中恢复发送信号向量 $\mathbf{x}^*$。

• 数学表述：该问题被建模为整数最小二乘（ILS）问题：$\min_{\mathbf{x}} \|\mathbf{y} - \mathbf{H}\mathbf{x}\|^2_2$，其中 $\mathbf{x}$ 属于离散星座集（例如 QAM）。
• 复杂度：求解最优解是 NP-hard 的。
• 具体挑战：该问题在欠定系统（即发射天线数量 $N_t$ 超过接收天线数量 $N_r$）中尤为困难。在这些场景下，传统方法难以在性能与复杂度之间取得良好的权衡，从而找到高质量的次优解。
• 现有机器学习方法的局限性：最近的基于扩散的检测器（如 ALD、ADD）在连续松弛空间中运行。它们在推理过程中需要大量的顺序采样迭代（数百或数千步），导致高延迟。此外，它们在欠定设置下的性能会显著下降。

2. 方法论：GD4 框架

作者提出了 GD4，这是一个新颖的框架，将离散去噪扩散直接应用于离散符号空间，并结合了门控图消息传递网络。

A. 离散扩散过程

与连续扩散模型不同，GD4 直接在离散星座集 $\mathcal{X}_k$ 上运行。

• 前向过程：一个预定义的马尔可夫过程通过添加多项式噪声逐渐破坏真实信号 $\mathbf{x}_0$，直到分布变为均匀分布。该过程独立于具体的问题实例。
• 反向过程：一个可学习的神经网络逐步对信号进行去噪，以恢复 $\mathbf{x}_0$。该网络对条件反向分布 $P_\theta(\mathbf{x}_{t-1} | \mathbf{x}_t, \mathbf{y})$ 进行建模。

B. 门控图消息传递网络

为了捕捉由信道矩阵 $\mathbf{H}$ 引起的符号间的复杂依赖关系，GD4 将 MIMO 检测问题建模为一个全连接图：

• 节点：代表单个发送符号。
• 边：代表符号之间的成对交互。
• 特征：
  • 节点特征：编码局部证据（例如 $y_i, h_i, \sigma_n$）。
  • 边特征：编码源自信道矩阵的成对交互（例如 $-h_i^T h_j$）。
  • 状态嵌入：当前的噪声符号状态和扩散时间步通过正弦函数进行嵌入，并注入到图中。
• 架构：该网络使用门控图消息传递。它计算关系嵌入以确定一个节点对另一个节点的影响强度，通过门控机制（使用 sigmoid 函数）聚合信息，并利用残差连接更新节点/边嵌入。
• 输出：网络预测每个符号在星座集上的概率分布，通过离散化的截断逻辑分布进行建模，以尊重符号的顺序性质。

C. 推理策略

GD4 引入了两种策略以实现快速推理，避免了数千次采样步骤的需求：

1. 冷启动推理：从均匀随机初始化开始（$\mathbf{x}_T \sim \text{Uniform}$）。模型使用“跳步”反向链执行少量去噪步骤（例如 1、3 或 10 步）以加速过程。
2. 热启动推理：从一个高质量的次优解开始，具体为 Babai 点（一种标准的 ZF-SIC 检测器）。扩散模型执行单次去噪步骤来细化这一初始猜测。这利用了模型修正经典检测器错误的能力，而不是从头生成解决方案。

3. 主要贡献

1. 首个用于 MIMO 的离散扩散模型：据作者所知，这是将离散去噪扩散模型应用于 MIMO 检测的首次尝试，避免了与连续松弛相关的性能损失。
2. 基于图的架构：引入门控图消息传递网络有效地捕捉了 MIMO 信道中符号间的非线性依赖关系，优于基于标准 MLP 的扩散方法。
3. 快速推理机制：开发了热启动（Babai 的单步细化）和冷启动（少步采样）策略，与需要数百步的现有扩散方法（ALD、ADD）相比，大幅降低了推理延迟。
4. 在欠定系统中的鲁棒性：即使在 $N_r < N_t$ 的情况下，该方法仍能保持高性能，而许多现有的基于机器学习的检测器在此场景下会失效。

4. 实验结果

作者在 16-QAM 系统上评估了 GD4，对比了经典基线（Babai、K-best Klein-Babai）和最先进的扩散方法（ALD、ADD）。

• 性能：
  • 热启动 GD4：实现了比 10-best Klein-Babai 点和扩散基线（ALD、ADD）更低的符号错误率（SER），同时所需的运行时间显著更少。
  • 欠定设置：在 $N_t > N_r$ 的场景中（例如 $32 \times 28$），ALD 和 ADD 的性能下降，而 GD4 保持稳健且优越。
  • 泛化性：在过定情况（$32 \times 32$）下训练的模型能很好地泛化到欠定情况（$32 \times 30, 32 \times 28$）。
• 效率：
  • 运行时间：热启动 GD4（1 步）耗时约为 $1.12 \times 10^{-3}$ 秒，快于 ALD（$2.03 \times 10^{-2}$ 秒）和 ADD（$1.24 \times 10^{-2}$ 秒），仅略慢于 K-best Klein-Babai（$1.87 \times 10^{-3}$ 秒），但精度更高。
  • 冷启动：即使使用 10 步，GD4 在运行时间上仍具有竞争力，同时提供更高的精度。

5. 意义

本文证明了离散扩散模型是无线通信中组合优化问题优于连续松弛方法的替代方案。通过直接在离散空间运行并利用图神经网络对信道依赖进行建模，GD4 在性能 - 延迟权衡方面取得了突破。

这项工作表明，扩散模型可以实际部署在实时通信系统中，特别是在传统算法难以应对的具有挑战性的欠定场景中。“热启动”策略尤为重要，因为它架起了经典信号处理（Babai）与现代生成式人工智能之间的桥梁，提供了一种以最小计算开销实现近最优检测的途径。