Description
Date depot: 30 mai 2023
Titre: Apprentissage Bayésien avec Applications au MIMO Massif Sans Cellules
Directeur de thèse:
Dirk SLOCK (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé: Cette thèse contribuera au projet ANR international franco-allemand CellFree6G. Nous considérons un système à
Entrées et Sorties Multiples de dimensions massives (MaMIMO) et organisé sans cellules (CF). Ces systèmes
comprennent un très grand nombre de points d'accès (AP) répartis géographiquement, desservant un nombre plus
restreint d'utilisateurs. Nous exploitons la parcimonie des canaux pour lutter contre la contamination des pilotes, qui
provient de la réutilisation des séquences pilotes. Plus précisément, nous considérons des méthodes semi-aveugles
pour l'estimation de canal en présence de données i.i.d. inconnues, pour résoudre la contamination des pilotes. Cette
tâche est en outre facilitée par l'exploitation des informations a priori de canal dans une formulation bayésienne. Nous
développons des estimateurs de canal bayésiens de type Maximum a Posteriori (MAP) et nous étudions également
diverses limites de Cramer-Rao (CRB) pour caractériser les limites de performance. Une direction importante est la
dérivation d'un type original de CRB bayésien pour le problème semi-aveugle considéré, dans lequel une certaine
opération d'espérance pourrait être facilitée par le régime asymptotique des grandes dimensions du système considéré
ici. Nous poursuivons également des versions convergentes des algorithmes de passage de message approximatif
(AMP). Nous les étendons à des techniques bayésiennes moins approximatives pour les modèles linéaires généralisés,
que nous appelons reVAMP. Ces techniques peuvent être étendues à des paramètres d'estimation plus généraux,
conduisant à une nouvelle classe de techniques d'inférence bayésienne approximative que nous appelons la
propagation extrinsèque gaussienne. Ces techniques doivent être spécialisées dans le modèle bilinéaire correspondant
à l'estimation conjointe des canaux et à la détection des données dans les scénarios MaMIMO sans cellule.
Résumé dans une autre langue: This thesis will contribute to the Franco-German international ANR project CellFree6G. We consider cell-free (CF)
massive MIMO (MaMIMO) systems, which comprise a very large number of geographically distributed access points
(APs) serving a much smaller number of users. We exploit channel sparsity to tackle pilot contamination, which
originates from the reuse of pilot sequences. Specifically, we consider semi-blind methods for channel estimation in
the presence of unknown Gaussian i.i.d. data to resolve the pilot contamination. This task is further aided by
exploiting prior channel information in a Bayesian formulation. We develop Bayesian Maximum a Posteriori (MAP)
channel estimators and we also investigate various Cramer-Rao Bounds (CRBs) to characterize performance limits.
One important direction is the derivation of an original type of Bayesian CRB for the semiblind problem at hand, in
which a certain expectation operation could be facilitated by the asymptotics of the large system dimensions
considered here. We also pursue convergent versions of Approximate Message Passing (AMP) algorithms. We extend
them to less approximate Bayesian techniques for generalized linear models, that we call reVAMP. These techniques
can be extended to more general estimation settings, leading to a new class of approximate Bayesian inference
techniques that we call Gaussian Extrinsics Propagation. These techniques need to be specialized to the bilinear
setting corresponding to joint channel estimation and data detection in cell-free MaMIMO scenarios
Doctorant.e: Zhao Zilu