Resilience Characterization of AI-Native Wireless Receivers via Persistent Homology

技术摘要：基于持久同调的 AI 原生无线接收机韧性表征

问题陈述
利用深度神经网络（DNN）执行物理层任务（如解调和信道估计）的 AI 原生无线接收机，在平稳信道条件下表现出卓越的性能。然而，它们对分布偏移（例如从密集城市多径环境过渡到乡村视距环境或高移动性衰落环境）的韧性，无法通过误码率（BER）等传统指标得到充分表征。传统的 BER 评估是反应式的；它仅在接收机已学习到的权重与新环境不匹配、导致性能崩溃之后，才反映出性能下降。现有的监测方法，包括梯度范数评分和统计检验（如 MMD、CUSUM），无法提供连续的在线信号，以在输出性能下降之前，基于信道几何结构或损失景观的拓扑演变来量化偏移的严重程度。

方法论
本文提出了一种新颖的实时指标——拓扑韧性指数（TRI），该指标基于持久同调（PH）和持久指数构建。TRI 旨在量化神经网络接收机在在线适应非平稳信道过程中参数空间的结构稳定性。

该方法将韧性分解为三个互补的几何维度，每个维度均被建模为点云并通过拓扑数据分析进行分析：

1. 损失景观韧性（$\Phi_{LS}$）： 通过分析损失函数的子水平集来衡量模型与信道的不匹配程度。它利用 $H_0$ 持久指数（$\beta_0$）追踪损失景观的碎片化（即多个局部极小值的出现）。
2. 参数轨迹复杂度（$\Phi_{PM}$）： 追踪参数向量在适应过程中的几何漂移。它利用 $H_1$ 持久指数（$\beta_1$）来检测由混合源分布和目标分布产生的冲突梯度信号所导致的振荡性、非收敛轨迹。
3. 信道流形拓扑（$\Phi_{CM}$）： 量化信道冲激响应（CIR）分布的畸变。该分量不使用子水平集，而是利用高斯核矩阵的谱间隙和 Ollivier-Ricci 曲率范数，来测量 CIR 向量的分散程度以及信道空间中的局部几何变化。

TRI 定义为这些归一化分量的加权和：
$$\text{TRI}(t) = w_1 \Phi_{LS}(t) + w_2 \Phi_{PM}(t) + w_3 \Phi_{CM}(t)$$
其中该指数被限定在 $(0, 1]$ 范围内。接近 1 的值表示结构稳定，而数值下降则预示着性能即将退化。

主要贡献

• 原则性指标： 引入 TRI，这是一种感知拓扑的指标，能够在 BER 下降之前提供信道分布偏移的实时预警，且无需关于偏移时间或目标分布的预言机知识。
• 理论保证： 作者确立了 TRI 具有以下特性：
  • 有界性： 被限制在区间 $(0, 1]$ 内。
  • 单调性： 随着接收机性能下降（验证损失非递减），TRI 的期望值随之降低。
  • Lipschitz 稳定性： 信道分布中的微小扰动（以 Wasserstein-2 距离衡量）会导致 TRI 发生成比例的微小变化，从而防止剧烈跳变。
  • 风险关联性： 一个推论将 TRI 与适应超额风险联系起来，表明低 TRI 预示着高超额风险。
• 算法实现： 一种在线计算算法（算法 1），将 VR 过滤和持久指数估计集成其中，对推理流水线的延迟影响可忽略不计。

仿真结果
该框架在 OFDM 深度学习接收机上进行了验证，该接收机在三个偏移速率（$\lambda \in \{0.1, 1.0, 10.0\}$）下跨越了十种 ITU-R 环境间转换进行了适应。

• 早期预警： 在偏移速率 $\lambda = 1.0$ 时，TRI 相比梯度范数和验证损失基线，提供了平均 1.0 ± 0.2 个 OFDM 符号（约 67 $\mu$s）的一致预警提前量。值得注意的是，梯度范数基线在所有场景中均未实现任何提前预警。
• 分量动态： 观察到参数轨迹分量（$\Phi_{PM}$）首先崩溃，随后是损失景观分量（$\Phi_{LS}$），这证实了轨迹不稳定性先于景观碎片化发生。
• 恢复性能： 与 200 个 OFDM 符号内无适应的情况相比，由 TRI 引导的突发重适应（由 TRI 警报触发）将偏移后的误码率降低了 80%，有效地将性能恢复至接近偏移前的水平。
• 偏移速率敏感性： 预警提前量随偏移速率的增加而单调递减（从 $\lambda=0.1$ 时的 2.3 个符号减少到 $\lambda=10.0$ 时的 0.5 个符号），这与拓扑足迹窗口的理论压缩一致。

意义
本文声称，TRI 标志着 AI 原生空口从反应式韧性监测向主动式韧性监测的根本转变。通过利用优化景观和信道流形的几何与拓扑属性，TRI 能够在比特错误累积之前启用主动适应策略（如学习率重启或模型回滚）。作者认为，该框架为下一代 6G 系统的感知拓扑的训练和韧性认证提供了一条原则性路径，特别是在安全关键部署中，理解内部优化几何结构与输出性能同样至关重要。