Cell-Free Multi-User MIMO Equalization via In-Context Learning

大型预训练序列模型，如transformers，表现出色作为少样本学习器，能够进行上下文学习（ICL）。在ICL中，模型被训练以根据有限的上下文信息来适应新任务，通常以少量针对给定任务的训练示例的形式呈现。先前的研究探讨了在单用户多输入和多输出（MIMO）系统中使用ICL进行信道均衡的应用。在这项工作中，我们展示了ICL也可以用于解决具有有限前传容量的无线电基站（cell-free）MIMO系统中的多用户均衡问题。在这种情况下，任务由信道统计信息、信噪比和调制方案定义。上下文包括用户的导频序列、相应的量化接收信号和当前接收到的数据信号。提出并评估了不同的提示设计策略，其中还包括大尺度衰落和调制信息。实验表明，基于ICL的均衡器提供的估计比线性最小均方误差均衡器具有更低的均方误差，特别是在存在有限前传容量和导频污染的情况下。

本文旨在探讨利用in-context learning（ICL）解决无线通信中多用户均衡问题，尤其是在有限前端传输容量和存在导频污染的情况下。

本文提出了不同的提示设计策略，包括大规模衰落和调制信息，并通过实验验证ICL均衡器相对于线性最小均方误差均衡器具有更低的均方误差。

本文探讨了利用ICL解决多用户均衡问题的可行性，提出了不同的提示设计策略，并进行了实验验证。实验结果表明，ICL均衡器相对于线性最小均方误差均衡器具有更低的均方误差。

最近的相关研究包括利用ICL解决单用户多输入多输出（MIMO）系统中的信道均衡问题。