메타 학습에 기반한 시변 메모리 채널에서의 검파기 설계

Abstract

통신 시스템에서 검파기는 채널에 의해 변형된 신호를 송신된 형태로 복원하는 역할을 한다. 최근에 뉴럴 네트워크를 활용하여 복잡한 채널 모델에서 동작하거나 계산 복잡도를 개선한 다양한 딥러닝 기반 검파기가 제안되고 있다. 그러나 현재까지 제안된 딥러닝 기반 검파기들은 학습에 긴 파일럿 신호를 필요로 하며, 파일럿 신호를 수신할 때마다 처음부터 다시 학습되어야 해 비효율적이며 실용성이 떨어진다. 우리는 이를 해결하기 위하여 메타 학습 및 자기지도 학습을 활용하는 검파기를 제안한다. 해당 검파기는 짧은 파일럿 신호를 통한 효율적 학습을 위해 자기지도 학습을 활용하였다. 또한, 파일럿 신호를 수신하면 빠르게 새로운 환경에 적응할 수 있도록 메타 학습을 통해 메타 초기화 파라미터를 학습하였다. 최종적으로, 제안된 검파기가 짧은 파일럿 신호를 이용해 빠르게 바뀐 채널 환경에 적응하여 성공적으로 검파를 진행함을 확인하였다.

In a communication system, a detector aim to restore original signals from the transmitted signals corrupted by environmental noise and memory effects. Various deep learning-based detectors have been proposed to recover the original signals with complex channel models or to reduce the computational complexity of previously suggested methods. However, the deep learning-based detectors proposed so far have two important limitations: 1) deep-learning based detectors need a long pilot signal for model training and 2) deep-learning based detectors need to be trained from scratch whenever a new pilot signal is transmitted. To solve this problem, we propose a novel detector that can be trained by a relatively short pilot signals through a meta-initialization scheme. The meta-initialization helps to find an initial model parameter from which a model can adapt a new pilot signal with a few number of gradient descent updates. Moreover, to overcome the limited supervision from a short pilot signal, we employ a self-supervised learning method inspired by an encoder-decoder architecture. Through experiments, we show that the proposed detector successfully identifies original signals on time-varying channel using a short pilot signal.