본 논문은 다중 접속 채널(MAC)을 통해 여러 송신기가 소스 신호(예: 이미지)를 전송하는 시스템을 고려합니다. 기존 시스템은 직교 자원 할당(시간 및/또는 대역폭)을 통해 간섭을 최소화하지만, 이는 용량을 제한합니다. 본 논문에서는 멀티뷰 오토인코더를 사용하여 압축과 채널 코딩을 통합하는 기계 학습(ML) 기반 무선 이미지 전송 방법을 제시합니다. 이 방법은 송신기가 모든 사용 가능한 채널 자원을 동시에 사용할 수 있도록 하여 비직교 다중 접속(NOMA) 방식을 실현합니다. 수신기는 수신된 중첩 신호에서 모든 이미지를 복구하고 각 이미지를 해당 송신기와 연결해야 합니다. 기존 ML 모델은 개별 샘플을 처리하는 반면, 본 논문의 모델은 제한된 대역폭 및 전력 제약 조건 하에서 NOMA의 이점을 활용하기 위해 서로 다른 사용자의 신호가 간섭하도록 허용합니다. 또한, 각 반복에서 사용자 수를 두 배로 늘리는 점진적 미세 조정 알고리즘을 제시합니다. 이 알고리즘은 직교화된 사용자별 투영을 사용하여 초기 성능을 유지한 후 미세 조정 단계를 통해 성능을 향상시킵니다. 본 논문의 방법은 16명 이상의 사용자까지 확장 가능하며, 단일 사용자 모델에 비해 학습 가능한 매개변수 수가 0.6% 증가하는 데 불과합니다. 이는 복구된 이미지 품질을 크게 향상시키고 광범위한 데이터 세트, 메트릭 및 채널 조건에서 기존 NOMA 기반 방법보다 우수한 성능을 제공합니다. 본 연구는 혁신적인 ML 구성 요소와 전략을 활용하여 더 효율적이고 강력한 다중 사용자 통신 시스템을 위한 길을 열어줍니다.
