This work explores the application of a GRU-based meta-learning method to improve fronthaul compression efficiency in Cloud Radio Access Networks (C-RAN), a critical component of 5G. The goal is to accelerate the optimization of transformation matrices used for compressing and decompressing high-dimensional signals between remote radio heads (RRHs) and the central processor, by reducing convergence time and signaling overhead. The system sum rate is the optimization objective. The method, proposed by Ruihua Qiao, Tao Jiang, and Wei Yu at the University of Toronto, is divided into two stages: first, fully connected neural networks generate initial suboptimal matrices from local CSI at each RRH; second, GRU-blocks iteratively refine these matrices based on current and historical gradient information. By applying meta-learning with a low-dimensional gradient signaling scheme, the number of signaling rounds is significantly reduced compared to traditional gradient descent and naive global CSI transmissions. Simulations show that communication overhead is reduced while maintaining system sum rate performance.

Detta arbete utforskar en GRU-baserad meta-lärningsmetod för att förbättra effektiviteten av fronthaul-kompression i ett användarcentrerat Cloud Radio Access Networks (C-RAN), en kritisk komponent i 5G. Målet är att påskynda optimeringen av transformationsmatriserna som används för att komprimera och dekomprimera högdimensionella signaler mellan fjärrradioenheterna (RRHs) och den centrala processorn, genom att minska konvergenstiden och signaling overhead. Systemets end-to-end sum-rate är optimeringsmålet. Metoden föreslogs av Ruihua Qiao, Tao Jiang och Wei Yu vid University of Toronto, och är uppdelad i två steg. Först genererar helt anslutna neurala nätverk initiala, suboptimala transformationsmatriser baserat på lokal CSI vid varje RRH. Därefter förfinas dessa matriser iterativt med GRU-block som uppdaterar dem utifrån aktuell och historisk gradientinformation. Genom att tillämpa meta-lärning och ett föreslaget lågdimensionellt gradient signaling scheme minskas antalet signaleringsrundor jämfört med traditionell gradientnedstigning och direkta globala CSI-överföringar. Simuleringar visar att communication overhead minskar avsevärt, samtidigt som systemets sum-rate bibehålls.