Task-Oriented Low-Label Semantic Communication With Self-Supervised Learning

Run Gu

doi:10.1109/TWC.2025.3574468

Task-Oriented Low-Label Semantic Communication With Self-Supervised Learning

2025-06-06

0

PRE

AI

DOI：10.1109/TWC.2025.3574468

原文链接

原文求助

摘要

En 中文

面向任务的任务语义通信通过传递语义信息而非精确消息来提高传输效率。基于深度学习（DL）的任务语义通信能够利用大量标记样本进行下游任务训练，有效培养语义提取、传输和解释所需的核心语义知识。本文提出了一种基于自监督学习的任务语义通信框架（SLSCom），用于提升任务推理性能，特别是在标记样本获取受限的场景下。具体而言，我们利用无标记样本开发了一个任务相关的语义编码器，这些样本可由真实世界边缘网络中的设备收集。为促进任务相关的语义提取，我们引入了对比特征学习的自监督方法，并提出了信息瓶颈（IB）问题，以平衡提取特征的充分性与任务推理性能之间的权衡。鉴于信息瓶颈问题的计算挑战，我们通过采用自监督分类和重构预训练任务，设计了一种实用且有效的解决方案。我们进一步提出了高效的联合训练方法，以提升无线信道上的端到端推理精度，即使在标记样本极少的情况下也能实现。我们在多径无线信道上的图像分类任务中评估了所提出的框架。广泛的仿真结果表明，SLSCom在各类标记数据集大小和信噪比（SNR）条件下，显著优于传统的数字编码方法及现有的基于DL的方法，即使无标记样本与下游任务无关时也是如此。

Keyword:

Semantic communication

self-supervised learning

information bottleneck

task-oriented

Task-Oriented Low-Label Semantic Communication With Self-Supervised Learning

摘要

期刊

机构

引用论文