GCEPNet: Graph Convolution-Enhanced Expectation Propagation for Massive MIMO Detection

大规模MIMO（多输入多输出）检测是无线通信中的重要课题，最近已经开发了各种基于机器学习的方法来完成这项任务。期望传播（EP）及其变种被广泛用于MIMO检测，并取得了最佳性能。然而，基于EP的求解器无法捕捉未知变量之间的相关性，导致信息丢失，此外，它们的计算成本也很高。在本文中，我们展示了实值系统可以建模为基于图形的谱信号卷积，通过这种方法可以捕捉未知变量之间的相关性。基于这种分析，我们提出了图卷积增强的期望传播（GCEPNet），一种图卷积增强的EP检测器。GCEPNet将数据相关的注意力分数融入Chebyshev多项式中，进行强大的图卷积，具有更好的泛化能力。它能够更好地估计EP的空腔分布，并在经验上实现了最先进的MIMO检测性能，同时具有更快的推理速度。据我们所知，我们是第一个揭示系统模型与图卷积之间的联系，并设计数据相关的注意力分数用于图卷积的人。

本文旨在解决无线通信中 Massive MIMO 检测的问题，通过图卷积增强期望传播算法（EP）来捕捉未知变量之间的相关性。

本文提出了一种基于图卷积的增强期望传播检测器，GCEPNet，通过图卷积来捕捉未知变量之间的相关性，引入数据依赖的注意力分数来进行更强大的图卷积，并在实验中取得了最先进的检测性能。

本文是第一篇探讨系统模型和图卷积之间联系的论文，同时也是第一篇为图卷积设计数据依赖的注意力分数的论文。实验结果表明，GCEPNet在速度上比EP更快，同时在MIMO检测性能上实现了最先进的效果。

在该领域中的相关研究包括：使用深度学习进行MIMO检测的研究，如DeepMIMO、Deep unfolding等；使用不同算法进行MIMO检测的研究，如Turbo detection、Belief propagation等。