核心概念
本論文では、チャネル情報から低次元表現を学習するチャネルチャーティングの新しいシグネチャベースアプローチを提案する。提案手法は、局所的および全体的な幾何学的構造を保持しつつ、超低複雑度を実現する。
要約
本論文では、チャネルチャーティングの新しいシグネチャベースアプローチを提案している。
チャネル情報からシグネチャマップを生成する。累積エネルギー系列にタイムと基準点の情報を付加し、シグネチャ変換を適用することで、高次元チャネル情報を低次元の特徴マップに変換する。
得られたシグネチャマップを用いて、主成分分析ベースのチャネルチャーティング(SPCA)とシャメネットワークベースのチャネルチャーティング(SSN)を提案する。
SSNでは、局所的および全体的な幾何学的構造を保持する新しい距離指標を導入する。これにより、近傍グラフの構築や測地距離の計算が不要となる。
合成データセットと実フィールドデータセットを用いた評価実験の結果、提案手法は従来手法と比べて高い性能と大幅な複雑度削減を実現できることを示している。
統計
チャネル情報の次元数は、提案手法では従来手法と比べて87%から97%削減できる。
提案手法のネットワークモデルのFLOPsは、従来手法と比べて88%から97%削減できる。