基于全模型微调与联合熵编码的神经CSI压缩分布偏移适配方法

《IEEE Transactions on Machine Learning in Communications and Networking》：Neural CSI Compression Fine-Tuning: Taming the Communication Cost of Model Updates

　　高效的信道状态信息（CSI）压缩对于频分双工（FDD）大规模多输入多输出（MIMO）系统至关重要，因为反馈开销巨大。近期，基于深度学习的 CSI 压缩技术在 CSI 反馈中展现了优越的性能。然而，由于泛化能力有限，它们在无线环境间的分布偏移下性能往往会出现下降。为解决这一挑战，我们考虑了一种全模型微调方案，该方案利用目标环境中少量最新的 CSI 样本同时对编码器和解码器进行联合适配。在此场景下的一个关键挑战是将更新后的解码器参数传输到接收端，这会引入额外的通信开销。为缓解这一瓶颈，我们将模型更新的比特率明确纳入微调目标中，并将模型更新与压缩后的 CSI 进行联合熵编码。此外，我们采用了一种结构化先验，以促进稀疏且有选择的参数更新，从而显著降低模型更新的通信成本。在多个 CSI 数据集上的仿真结果表明，尽管存在模型更新的额外开销，全模型微调仍能显著提升神经 CSI 压缩的率失真性能。我们进一步研究了沿移动用户轨迹的两种微调调度策略：一种自适应策略，当超过目标失真阈值时触发微调；以及一种与信道无关的周期性策略，随着无线信道的演变以固定间隔执行微调。