.png){kind=icon}
返回
Collaborative Learning for Task-Oriented Semantic Communications: Overcoming Data Mismatch Between Transceivers
.png){kind=icon}
OA
AI
DOI：10.1109/OJCOMS.2025.3586462.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
面向任务的任务语义通信（ToSC）通过利用任务特定的数据表示和端到端学习来提高效率和性能，这些表示比传统的重建导向方法更紧凑且有效。然而，当前的基于深度学习（DL）的ToSC方案严重依赖经验数据，假设源和目的收发器都使用相同的经验数据进行训练。在实际场景中，传输数据的分布可能与目的地的经验数据分布存在显著差异。这种差异可能导致目的地无法准确解释接收到的语义信息，从而影响任务性能。为解决这一挑战，我们提出了一个基于收发器协作学习的语义通信（TCLSC）框架。该框架通过收发器利用其本地数据集协作训练语义编码器和解码器，并定期共享语义编码器和解码器的参数。为减少协作学习带来的通信开销，我们创新性地采用模型更新量化机制。随后，我们分析了TCLSC的收敛性，并提出了一种自适应方案来确定收发器协作学习的频率。此外，考虑到收发器A可能同时与数据不匹配的收发器B和数据匹配的收发器C进行通信，我们基于提示学习提出了个性化TCLSC（P-TCLSC）框架。这种方法旨在解决数据不匹配问题，同时保留每个收发器的个性化特性。大量实验表明，与基线方法相比，所提出的方法更擅长解决源和目的地之间的数据不匹配问题，从而确保通信性能的鲁棒性。
Keyword:
Task-oriented semantic communications
transceiver cooperative learning
data discrepancy
model quantization
prompt learning
期刊
I
IF:
4.3
论文数:
1.7K
被引数:
991
机构
引用论文
Look-Ahead Task Offloading for Multi-User Mobile Augmented Reality in Edge-Cloud Computing.png)
IEEE NETWORKOAAI
IEEE NETWORKIF6.3
OAAI分享收藏Beyond Transmitting Bits: Context, Semantics, and Task-Oriented Communications超越传输位: 上下文，语义和面向任务的通信OAAI
OAAI分享收藏Learning Task-Oriented Communication for Edge Inference: An Information Bottleneck Approach学习面向任务的通信以进行边缘推理: 一种信息瓶颈方法OAAI
OAAI分享收藏
分享收藏On the Utility-Informativeness-Security Trade-Off in Discrete Task-Oriented Semantic Communication面向离散任务的语义通信中的效用-信息-安全权衡
PREAI
分享收藏
查看更多内容