This paper proposes AI-based wireless communication system that can adapt to new environment in real-time fashion. It is well known that when there is model deficiency, data-driven approach can result in better performance compared to model-based approach. However, this data-driven approach requires sufficient amount of training data to achieve (near-)optimal solution. This restriction is crucial especially when we deal with wireless communication system that rapidly varies in real-time. In this paper, we propose to solve this problem via meta-learning, or sometimes called, learning to learn. Given a particular wireless communication environment, e.g., channel realization, meta-learning first experiences about how 'to learn' in order to achieve (near-)optimal solution; repeat the same procedure for multiple environments to eventually 'learn' some good way of 'learning' to any new, unseen, but related environments. In this work, we have considered two aspects in wireless communication system: 1) neural network design of receiver and 2) neural network design of both transmitter and the receiver. In both cases, sufficient training data, or pilot data, is needed with enough training time to ensure a near-optimal neural network design. In this work, with the aid of meta-learning, we propose a scheme to leverage these constraints: overhead in pilot data and training time. Extensive numerical results validate the advantage of meta-learning in wireless communication systems both in performance and overhead perspective compared to conventional communication schemes and conventional machine learning schemes.
본 논문에서는 실시간으로 변하는 무선 통신 환경에 적응할 수 있는 인공지능 기반 무선 통신 시스템을 연구하였다. 현재 속해있는 무선 통신 환경에서 풀고자 하는 문제의 정확한 모델이 알려지지 않았다면, 데이터를 기반으로 문제를 푸는 것이 더 효과적임은 널리 알려져있다. 하지만 이러한 데이터 기반 접근 방법은 데이터가 충분히 많아야한다는 제한조건이 필요하며 실시간으로 변하는 무선 통신 환경에서는 해당 제한 조건이 매우 큰 걸림돌이다. 본 논문에서는 이러한 걸림돌을 '학습하는 방법을 학습하는' 메타러닝으로 해결하였다. 특정한 무선 통신 환경에서 데이터를 기반으로 (준)최적인 솔루션을 얻어내는 '학습하는 방법'을 다양한 무선 통신 환경에서의 경험을 토대로 '학습'하여 궁극적으로는 어떠한 무선 통신 환경에서도 (준)최적인 솔루션을 쉽게 얻어낼 수 있도록 하는 것이 본 연구의 목표이다. 본 연구에서는 크게 두가지의 무선 통신 환경을 고려하였다. 1) 수신기를 신경망으로 디자인 하는 경우와 2) 송수신기 모두를 신경망을 통해 디자인 하는 경우이다. 두 경우 모두 (준)최적인 신경망을 찾기 위해선 충분한 학습 데이터, 즉, 파일럿이 필요하고, 이 데이터를 이용하여 학습하는 시간 또한 충분히 필요하다. 본 연구에서는 이러한 1) 데이터 제한조건과 2) 학습 시간 제한조건을 메타러닝을 통해 효과적으로 줄이는 방법을 제안하였다. 제안한 기법이 이러한 통신 자원(파일럿 개수 및 학습 시간)을 줄이는 데에 효과적임을 다양한 실험을 통해 확인하였으며 기존의 통신 기법과 머신러닝 기법에 비해 성능과 통신 자원 절약 측면에서 모두 나음을 보였다.
