MoE-CE：通过专家混合框架增强基于深度学习的信道估计的泛化能力

于红博

摘要: 可靠的信道估计（CE）对于在动态无线环境中进行稳健通信至关重要，在这种环境中，模型必须能够概括各种条件，如信噪比（SNR）、资源块（RB）数量和信道特性等。传统的基于深度学习（DL）的方法在这种多样化的环境下往往难以有效概括，特别是在多任务和零样本情况下。在这项工作中，我们提出了MoE-CE，这是一个灵活的专家混合（MoE）框架，旨在增强基于DL的CE方法的概括能力。MoE-CE通过利用多个专家子网络，每个专门针对不同的信道特性，并学习动态选择每个输入中最相关的专家的路由器，提供了适当的归纳偏差。这种架构在不增加计算成本的情况下增强了模型的容量和适应性，同时对骨干模型和学习算法的选择是不可知的。通过在生成的具有多样化SNR、RB数量和信道特性的合成数据集上进行了大量实验，包括多任务和零样本评估，我们证明了MoE-CE始终优于传统的DL方法，实现了显著的性能增益，并保持了效率。

更新时间: 2025-09-19 13:23:08

领域: eess.SP,cs.AI

下载: http://arxiv.org/abs/2509.15964v1