基于GNN的全局CSI重建用于前传受限分布式MIMO系统
GNN-Based Global CSI Reconstruction for Fronthaul-Limited Distributed MIMO Systems
浏览论文内容
中文总结 AI 辅助
针对分布式MIMO系统前传受限问题，提出基于GNN重建与任务驱动天线选择的CSI获取框架，仅上传部分天线CSI，由CU重建全局CSI，在降低开销的同时提升重建精度。
中文摘要 AI 辅助
在分布式多输入多输出（DMIMO）系统中，获取全局信道状态信息（CSI）对于协作预编码至关重要，但从所有分布式天线处上传完整的瞬时CSI会造成沉重的前传开销。本文提出了一种基于图神经网络（GNN）重建和任务驱动天线选择的前传高效获取框架。每个传输接收点（TRP）仅上传选定的天线CSI，而集中单元（CU）则从部分观测中重建完整的全局CSI。一个通用的掩码条件GNN使用随机上传掩码进行训练，用于在前传预算下评估天线子集，然后针对选定的部署掩码进行微调。仿真结果表明，该方法在降低前传和导频开销的同时，提高了CSI重建精度。
英文摘要
Global channel state information (CSI) acquisition is essential for cooperative precoding in distributed multiple-input multiple-output (DMIMO) systems, but uploading full instantaneous CSI from all distributed antennas creates heavy fronthaul overhead. This paper proposes a fronthaul-efficient acquisition framework based on graph neural network (GNN) reconstruction and task-driven antenna selection. Each transmission and reception point (TRP) uploads only selected antenna CSI, while the centralized unit (CU) reconstructs the full global CSI from partial observations. A universal mask-conditioned GNN is trained with random upload masks, used to evaluate antenna subsets under a fronthaul budget, and then fine-tuned for the selected deployment mask. Simulation results show improved CSI reconstruction accuracy with lower fronthaul and pilot overhead.
发表机构
- University of Science and Technology Beijing（北京科技大学）
- Sony China Research Laboratory（索尼中国研究院）
机构由 AI 辅助整理，请以论文原文为准。
