Generatives GAN-Training verbessert CSI-Feedback in FDD mMIMO-OFDM

In modernen mMIMO-OFDM-Systemen reduziert der Einsatz von Deep-Autoencodern (DAE) die Menge an Channel State Information (CSI), die zurückgesendet werden muss. Doch diese Modelle stoßen an ihre Grenzen, wenn sich die Umgebung durch Nutzerbewegungen ändert: Sie müssen neu trainiert werden und verlieren dabei oft das Wissen über frühere Szenarien – ein Phänomen, das als „catastrophic forgetting“ bekannt ist.

Um diesem Problem zu begegnen, schlägt die neue Studie einen generativen Ansatz vor, bei dem ein GAN-Generator als Speicherfunktion dient. Durch das kontinuierliche Lernen kann das System neue Umgebungen aufnehmen, ohne die Leistung in bereits bekannten Situationen zu verlieren. Die Simulationen zeigen, dass die Methode die Generalisierungsfähigkeit des DAE deutlich steigert, dabei aber nur einen geringen Speicheraufwand verursacht.

Ein weiterer Pluspunkt ist die nahtlose Integration in bestehende, fortschrittliche CSI-Feedback-Modelle. Damit demonstriert die Arbeit die Robustheit und Anpassungsfähigkeit des GAN-basierten Ansatzes und eröffnet neue Wege für effizientes Feedback in dynamischen FDD mMIMO-OFDM-Netzwerken.