.png){kind=icon}
返回
Fairness-Aware Joint Source-Channel Coding for Robust Task-Oriented Communication
.png){kind=icon}
PRE
AI
DOI：10.1109/JSAC.2025.3638730.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于学习的联合信源信道编码（JSCC）在任务导向通信中得到了广泛应用，其目标是通过提取并仅传输任务相关信息来提高通信效率。然而，任务导向通信中的学习赋能算法可能导致敏感属性信息泄露，并对特定群体造成歧视，从而引发社会公平性问题。与此同时，直接在通信系统的信源编码器中采用公平表示学习技术面临重大挑战：首先，信道噪声和动态变化会破坏编码特征表示中有利的公平-效用权衡；其次，信源与信道设计的固有分离性排除了JSCC为端到端传输提供的效率优势。为解决这些问题，我们提出了一种任务导向的JSCC通信方案，即Fair-RIB，该方案在保持群体公平性的同时实现高效编码与推理。我们的方法借助基于信息瓶颈的框架，在最大化任务效用信息的同时限制敏感信息泄露以确保公平性，并采用超网络参数化机制以适应变化的信道条件。我们还通过充分挖掘信道噪声特性，为公平性提供理论保障，并引入选择性噪声注入机制以更好地管理公平-效用权衡。为克服高维互信息项的可计算性难题，我们采用变分近似方法推导出可计算的目标优化上界。在基准表格和图像数据集上的实验表明，我们的框架在实现公平-效用权衡以及适应信道变化方面具有优越性。
Keyword:
Task-oriented communication
joint source-channel coding
group fairness
fairness-utility tradeoff
期刊
IF:
17.2
论文数:
6.4K
被引数:
3.1W
机构
引用论文
Deep Learning-Based Adaptive Joint Source-Channel Coding using Hypernetworks谢 S, 何 H, 李 H, 宋 S, 张 J, 张 YJA, 等. 基于深度学习的自适应联合信源信道编码使用超网络. 见: 2024年IEEE国际地中海通信与网络会议论文集; 2024年7月8–11日; 马德里, 西班牙. 纽约: IEEE; 2024. 第191–196页.
.png){kind=icon}
PREAI
分享收藏分享收藏
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分享收藏分享收藏
查看更多内容