基于聚类联邦学习的上下文相关CSI解码框架：支持异构无线环境的高效信道状态信息反馈

《IEEE Transactions on Machine Learning in Communications and Networking》：Clustered Federated Learning to support Context-dependent CSI Decoding

本文针对MIMO通信中信道状态信息(CSI)反馈面临的三大挑战：异构信道分布、数据稀缺性和隐私保护需求，提出了一种基于聚类联邦学习(CFL)的上下文相关解码框架。研究人员通过设计CFL-GP算法，实现了无需原始数据共享的上下文聚类和模型训练，在COST2100和3GPP-3D数据集上的实验表明，该方法在归一化均方误差(NMSE)指标上显著优于全局模型和本地模型方案，为多供应商环境下的CSI反馈提供了实用解决方案。

　　

在5G及未来无线通信网络中，大规模多输入多输出(Massive MIMO)技术通过部署数十至数百根天线显著提升了系统容量。然而，这也带来了信道状态信息(CSI)反馈的巨大开销——在4G LTE中需反馈数百个子载波的信道信息，而5G NR中更是达到数千个子载波。传统基于码本的反馈方法难以充分利用子载波相关性，导致反馈效率低下。

近年来，基于自动编码器(Autoencoder)的深度学习CSI反馈方法显示出巨大潜力。这类方法通过神经网络编码器将高维CSI压缩为低维码字，在基站端通过解码器重构原始信道信息。然而，现有研究大多忽视了无线信道的异构性本质：不同环境（如城市与农村）、设备类型、移动速度等"上下文"因素会导致信道分布显著差异。如图1所示，若为每个上下文训练独立自动编码器，用户设备(UE)需存储多个编码器模型，而基站(BS)也需维护大量解码器，这对资源受限的设备极不现实；若采用单一全局模型，则难以适应多样化的信道特性，特别是在数据稀缺的上下文场景中性能会严重下降。

更复杂的是，实际部署中不同运营商间的CSI数据因竞争关系无法集中共享，而手动定义上下文聚类又缺乏可扩展性。这些问题严重阻碍了数据驱动CSI反馈方法在真实网络中的应用。为此，德克萨斯大学奥斯汀分校的研究团队在《IEEE Transactions on Machine Learning in Communications and Networking》上发表论文，提出了一种创新解决方案：通过聚类联邦学习(Clustered Federated Learning， CFL)实现上下文相关的CSI解码框架。

核心技术方法包括：1) 设计基于梯度相似性的CFL-GP算法，通过分析各上下文对共享模型的梯度更新方向，自动识别信道分布相似的上下文集群；2) 构建包含通用编码器和集群相关解码器的自动编码器架构，采用VQ-VAE（矢量量化变分自动编码器）框架实现离散码字学习；3) 利用COST2100和基于Quadriga生成的3GPP-3D多场景数据集验证方法有效性；4) 通过归一化均方误差(NMSE)和码本困惑度(Perplexity)等指标评估性能。

研究结果方面：

系统框架设计：提出如图2所示的上下文集群相关解码器与通用编码器框架。该方案将相似信道分布的上下文分组，每组共享一个解码器，而所有上下文共享通用编码器。这不仅提高了样本效率，还减少了用户设备的存储需求。

聚类性能验证：在室内外信道分布实验中（C=8-32个上下文，K=2个集群），CFL-GP能准确将上下文分为室内和室外两组，且在不同码字长度(N_cl=32/64/128比特)下均优于全局模型和本地模型。特别是在N_cl=64比特时，本文方法平均NMSE达-3.40dB，而全局模型仅为-2.47dB。

异构场景适应性：在更复杂的8上下文实验中（结合0.8/2.4GHz频率、宏微小区、LOS/NLOS条件），CFL-GP稳定识别出四组最优集群：{(c₁,c₂),(c₃,c₄),(c₅,c₆),(c₇,c₈)}（对应不同的主导延迟分量数和基站类型）。如图7所示，该聚类结果在所有实验中保持一致。

性能优势分析：如表3所示，在256比特码字下，本文方法在c₁上下文（H～p₁）达到-11.10dB NMSE，显著优于全局模型(-10.16dB)和本地模型(-1.07dB)。更重要的是，本方法用64比特码字即可超越全局模型128比特的性能（c₁：-9.04dB vs -9.86dB），证明了其反馈效率优势。

算法对比研究：与IFCA（迭代联邦聚类算法）和MADMO（模型无关分布式多任务优化）等CFL基线相比，CFL-GP在聚类一致性和NMSE性能上均表现最佳（表5）。其最大-最小公平性指数（表7）也表明集群内性能差异最小（0.0338-0.0379），说明聚类质量更高。

研究结论表明，基于CFL-GP的上下文相关CSI解码框架能有效解决异构无线环境下的三大核心挑战：通过梯度相似的上下文聚类克服数据稀缺性，利用集群解码器个性化适应分布差异，并通过联邦学习架构保护数据隐私。该方法无需先验上下文知识，仅通过模型更新方向即可自动发现最优聚类结构，为5G-Advanced和6G网络中多供应商协作的CSI反馈提供了实用解决方案。研究开源的算法实现和数据集将促进该领域的进一步探索。