.png){kind=icon}
返回
Multi-User Semantic Communications With Interference-Mitigation Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/LWC.2025.3648737.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然语义通信在单用户场景中已展现出巨大潜力，但在多用户场景下，共享多址接入信道（MAC）中的干扰仍然是一个关键挑战。本文提出了一种新颖的联合信源信道编码方案与干扰抑制学习（JSCC-IM），用于面向任务的多用户语义通信。所提出的JSCC-IM采用单层解码器，以在MAC上的聚合信号中分离期望的语义特征与多用户干扰。随后，我们设计了一个损失函数，该函数明确抑制多用户干扰同时保留期望的语义特征。仿真结果表明，与传统的JSCC方案相比，JSCC-IM在多用户语义推理和多视角语义融合中分别提高了超过5%和3%的推理精度。
Keyword:
Deep joint source-channel coding
image classification
multi-user interference
semantic communications
期刊
I
IF:
5.5
论文数:
866
被引数:
0
机构
引用论文
.png){kind=icon}
Semantic Communications for Image Recovery and Classification via Deep Joint Source and Channel Coding通过深度联合信源和信道编码实现图像恢复和分类的语义通信
OAAI
OAAI分享收藏分享收藏分享收藏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
查看更多内容