Core Concepts
UEでの機械学習を回避しつつ、BSでのCSIフィードバックを向上させる新しいメカニズムを提案する。
Abstract
機械学習(ML)の実装がUEで困難な場合に、BSでのCSI学習メカニズム(CSILaBS)を提案。
CSILaBSはOTAフィードバックオーバーヘッドを削減し、CSI品質を向上させる。
MLベースのCPsとして時間系列モデル(BiLSTM)、NeuralProphet(NP)などが活用されている。
フィードバック選択手法として確率的フィードバック、エラービンフィードバック、周期的フィードバックが提案されている。
実データセットに基づくシミュレーション結果により、提案手法の有効性が評価されている。
Stats
BSとUE間でのPF報告により、CSILaBS実装時に使用されたトレーニングデータセットから予測されたチャンネル情報が得られます。
CSILaBSでは、UEがPFを確認し、正確なCSI取得かどうかをローカルで判断します。
CSILaBSアルゴリズム内では、CSILaBSプロトコルに関連する追加オーバーヘッドや設計パラメーターに言及されています。