.png){kind=icon}
返回
Hypergraph Information Bottleneck-Based Implicit Semantic Communication
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3658158.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
语义通信是一种新型通信范式，专注于有意义、任务导向信息的传输。近期结果表明，图形结构代表了建模广泛信源信号中语义知识的最为鲁棒且结构保真的形式化方法。然而，现有解决方案主要关注成对关系图，其固有的局限性在于缺乏封装特定语义情境中复杂高阶交互的能力。相比之下，超图提供了更灵活的数学框架，能够更准确地映射复杂数据源中的多维依赖关系。本文研究了基于超图的语义表示在语义通信系统中的应用。我们提出了一种基于超图信息瓶颈的语义通信（HIB-SC）框架，其中语义编码器被开发并优化，以提取超图语义信息源的最小充分表示，该表示最大化编码表示与接收方预期的高阶隐式语义关系之间的互信息。我们从理论上证明，所提出的框架能够提取最具信息量的子图或基序，这些子图或基序在对抗攻击下表现出显著更强的鲁棒性，同时提升了泛化性能。大量实验验证表明，所提出的HIB-SC相比现有最优方案，在语义压缩效率、隐式语义推断精度和抗噪声能力方面均实现了显著提升。
Keyword:
Hypergraph representation
implicit semantic recovery
information bottleneck (IB)
semantic communication
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
.png){kind=icon}
From Semantic Communication to Semantic-Aware Networking: Model, Architecture, and Open Problems从语义通信到语义感知网络: 模型、体系结构和开放问题
OAAI
OAAI分享收藏CNN-Enhanced Graph Convolutional Network With Pixel- and Superpixel-Level Feature Fusion for Hyperspectral Image Classification用于高光谱图像分类的像素级和超像素级特征融合的CNN增强图卷积网络
PREAI
分享收藏分享收藏
查看更多内容