MAP-Based Task-Oriented Precoding for Multiuser Communication

技术摘要：面向多用户通信的基于 MAP 的任务导向预编码

问题陈述
本文针对分布式无线分类系统中现有任务导向型和语义通信框架的局限性进行了研究。传统的系统侧重于最小化信号失真或最大化互信息，但这些目标与最终任务性能（例如分类准确率）并不直接一致。现有的基于学习的方法，如深度联合源信道编码（Deep JSCC）或利用最大编码速率缩减（MCR²）准则的方法，通常依赖于代理目标，这些目标需要进行计算昂贵的运算，包括重复的协方差矩阵求逆和特征值分解。此外，这些方法可能对超参数具有敏感性，且无法直接针对信道损伤下的最大后验（MAP）决策规则进行优化。

方法论
作者提出了一个统一的分布式多用户通信框架，通过基于近似 MAP 误差的公式，对特征提取和线性预编码进行联合优化。该系统由 $K$ 个边缘设备组成，将提取的特征向量通过无线信道传输至中央融合中心。

1. 系统模型： 系统通过神经网络 $f_\theta(\cdot)$ 将来自高维观测值 $s_k$ 的特征向量 $x_k$ 进行建模。这些特征经由预编码矩阵 $V_k$ 进行预编码，并通过瑞利衰落信道传输至具有 $M$ 根接收天线的服务器。
2. 基于 MAP 的设计：
   • 接收端近似： 假设类条件高斯特征分布，作者推导出了一个易于处理的 MAP 检测器。为了避免对全协方差矩阵 $K_j$ 进行求逆带来的计算负担，作者采用了一种近似方法，即将协方差视为缩放单位矩阵（$K_j \approx \delta_H I_{MT}$）。这使得检测器简化为一种依赖于类均值的距离度量。
   • 误差界限： 分类误差概率通过涉及接收信号空间中类间距离的 $Q$ 函数的成对联合界限（pairwise union bound）进行上界约束。
3. 发射端优化：
   • 特征提取： 训练神经网络以最小化在标称无噪声信道假设下的误差界限导出的损失函数。该损失函数旨在促进类相关特征均值（$\mu_j$）的分离，而无需进行协方差估计。
   • 预编码器设计： 优化预编码矩阵 $V$，以在满足发射功率约束的情况下最小化成对 MAP 误差近似值。非凸的 $Q$ 函数通过指数代理函数进行近似，从而允许使用投影梯度下降方案来更新预编码器。
4. 复杂度降低： 所提方法显式地避免了与 MCR² 方法相关的 $O(BD^2 + CD^3)$ 复杂度（后者需要协访估计和对数行列式计算）以及与其他预编码器使用的块坐标上升法的 $O(D^3 + CM^3T^3)$ 复杂度。相反，所提方法依赖于成对均值分离，其特征学习的复杂度为 $O(DC^2)$，预编码的复杂度为 $O(C^2 N_k K T (D_k + M))$。

核心贡献

• 直接的任务对齐： 该框架直接针对经过信道处理后的 MAP 决策性能，而非依赖于间接的重构或互信息目标。
• 易于处理的优化： 通过近似受信道影响的协方差矩阵，作者推导出的设计消除了重复进行协方差求逆和特征值分解的需求。
• 联合优化： 本文为基于学习的特征提取器和线性预编码器提供了一个连贯的设计，并在统一的 MAP 驱动目标下进行优化。
• 计算效率： 与最先进的任务导向型方案（如 MCR² 和 LMMSE 预编码器）相比，所提方法显著降低了计算复杂度。

数值结果
使用 CIFAR-10 数据集进行仿真，采用每样本两个视图的分布式设置，并使用 ResNet-18 作为骨干网络。

• 特征提取： 在整个训练周期内，所提特征提取器的测试准确率和收敛行为与 MCR² 方法 [8] 相当。然而，不同于 MCR² 对超参数 $\epsilon$ 表现出强敏感性（其最优性能出现在 $\epsilon=5$ 处，否则性能会下降），所提方法在无需敏感参数调优的情况下展现了鲁棒性。
• 预编码性能： 在不同的接收天线数量下，所提预编码器的分类准确率均高于 MCR² 预编码器和 LMMSE 基准 [5]。
• 复杂度： 结果证实，所提方法通过避免昂贵的矩阵运算，在实现优越性能的同时，同步降低了计算复杂度。

意义与主张
本文声称，其主要意义在于通过一个统一的、低复杂度的框架，架起了基于学习的特征表示与信道感知信号处理之间的桥梁。通过推导易于处理的类均值分离目标，作者证明了在无需协方差计算开销的情况下，实现受信道失真影响后的类可分性提升是可能的。该工作断言，这种方法为下一代任务导向型无线系统提供了一种更稳定且高效的替代方案，能够以比现有方案更低的计算成本实现更高的分类准确率。