用于环境适应性和信噪比自适应信道估计的双层PEFT适配器切换技术

《IEEE Open Journal of the Communications Society》：Two-Tier PEFT Adapter Switching for Environment- and SNR-Adaptive Channel Estimation

　　

摘要：

基于深度学习的信道估计方法可以优于传统方法，但将预训练的估计器适配到新的传播环境和操作条件仍然具有挑战性。我们提出了一种两级参数高效微调（PEFT）适配器切换框架，该框架使用一个共享的基础模型和轻量级适配器。第一层将估计器适配到新的传播环境中，而第二层则切换特定于信噪比（SNR）的适配器，以更好地匹配当前的操作环境。我们在一个专门构建的Transformer信道估计器上评估了LoRA、DoRA和IA3，该估计器包含了自注意力（self-attention）和交叉注意力（cross-attention）组件，并从农村宏环境（Rural Macro）转移到室内工厂环境（Indoor Factory），仅使用了500个目标域训练样本。在所有评估的信噪比水平上，低秩PEFT方法的表现都优于混合信噪比的全微调基线，这表明在数据有限的情况下，低秩约束提供了有益的正则化效果。在5 dB和15 dB的额外评估中进一步表明，专业化优势不仅限于最初评估的极端操作点。通过对s = 6、12、24进行令牌大小（token-size）的消融实验，确认原始选择的s = 12在评估设置中获得了最佳的平均归一化均方误差（NMSE）。与传统估计器相比，神经估计器在低信噪比下表现更强，因为学习到的信道先验有助于非线性去噪；而在高信噪比下，传统方法在条件良好的插值环境中仍然更优越。对于四种部署方案，LoRA/DoRA切换将存储需求从28.7 MB降低到8.0 MB，且仅有一次性的切换开销，部署延迟接近全模型基线；而IA3虽然实现了最小的数据负载，但在我们的实现中运行时间成本较高。