预算感知联邦双侧信道估计优化毫米波MIMO通信效率
一项面向混合波束赋形毫米波大规模MIMO系统的研究提出预算感知的联邦双侧信道估计方法BARRNet。该方法不引入新的联邦优化算法，而是聚焦于在标准FedAvg框架下高效利用有限参数预算，将紧凑残差主干网络与轻量级通道重校准机制相结合，用于双侧信道状态信息的细化。仿真结果显示，BARRNet在归一化均方误差与累积通信开销的权衡上优于纯主干基线和更重的卷积神经网络基线。在5 dB信噪比、-13 dB下行NMSE目标条件下，相较架构匹配的纯主干方案可减少28.9%的累积通信开销。
在采用混合波束赋形的毫米波大规模多输入多输出（MIMO）系统中，信道状态信息（CSI）的准确恢复长期面临挑战。由于混合架构只能提供压缩且含噪的观测，而联邦学习（FL）在反复的模型交换过程中又使通信开销与估计器规模高度耦合，如何在受限的通信预算下完成双侧CSI估计成为一项实际工程难题。
与开发新的联邦优化算法不同，本研究选择在标准联邦平均（FedAvg）框架下聚焦估计器设计本身，探讨在反复模型交换的条件下如何高效利用有限的参数预算。基于这一思路，团队提出了预算感知的重校准细化网络（BARRNet），其结构由两部分构成：一个紧凑的残差主干网络，以及一层轻量级的通道重校准模块，二者协同完成双侧CSI的细化任务。
仿真实验将BARRNet与仅含主干网络的对照组以及参数量更大的卷积神经网络（CNN）基线进行比较。结果显示，BARRNet在归一化均方误差（NMSE）与累积通信开销之间取得了更优的折中。在5 dB信噪比条件下、以-13 dB下行链路NMSE为目标时，相较架构匹配的纯主干对照方案，BARRNet可将所需的累积通信量降低28.9%。
研究据此指出，通信高效的联邦CSI估计不仅取决于模型本身的紧凑程度，更取决于在反复模型交换的机制下，模型容量如何被分配与利用。这一结论为后续在更低参数预算或更严苛通信约束场景下的联邦信道估计方案设计提供了参考。
【空音视角】 从WiFi感知与非接触监测从业者的视角看，这项工作有两点方法论启示：一是联邦框架下反复交换模型时，模型容量如何被使用与模型是否紧凑同样关键；二是轻量级通道重校准机制能以极小代价换取可观性能。这两点对资源受限的分布式感知系统同样适用，多节点协同的非接触监测也常面临设备端算力、上传带宽与感知精度的精细权衡。不过该工作面向毫米波MIMO通信信道估计，与日常WiFi频段下的生命体征监测在频段、目标上存在差异，其CSI后处理与轻量化设计思路对感知侧仍具参考意义。
—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2608.14182
来源：arXiv 信号处理（查看原文）