基于模仿学习的隐式语义感知通讯网络:多层表示与协作推理
提出了一种新型的语义感知通信体系结构,称为 iSAC,它具有投影语义编码器和生成对抗性模仿学习等组件,旨在有效地传输、学习和解释源和目标用户之间的隐藏信息,从而提高用户的体验质量(QoE)。与现有解决方案相比,iSAC 需要更少的通信和计算资源,并且对通信丰富的语义含义和关系进行扩展缩放。
Jun, 2023
介绍了一个建立在人工智能、因果推理和通信理论新概念之上的可扩展端到端语义通信网络,它要求将数据驱动网络转向为知识驱动的网络,并使用叫做语义语言的语言与语义表示方式,提出了新的 “推理能力” 度量方法,为未来的语义通信网络的建立、分析和应用提供了一个全面的参考。
Nov, 2022
本研究提出了两种认知语义通信框架,并利用知识图谱开发语义通信系统,其中包括一种简单、通用且可解释的语义对齐算法和有效的语义校正方法,进行了广泛的仿真测试,表明我们的认知语义通信系统在数据压缩率和通信可靠性方面优于基准通信系统,并构建了一个软件定义无线电原型系统用于演示。
Mar, 2023
本文探讨了传统的通信系统在意义传达方面的缺陷,提出了一种基于语义感知的资源高效边缘智能通信架构,旨在通过卸载计算资源,保护用户信息,并最大限度地提高通信效率。
Dec, 2020
提出了一种新颖的语义通信系统,该系统采用共享的知识库,并利用共享的知识库中的消息和相应知识来获取剩余信息,从而实现更少符号的传输,并且在语义性能方面没有降级。
Nov, 2023
提出了一种实用的语义通信框架,通过理论心智(ToM)模拟接收者的神经网络,使用动态两级反馈机制实现有效的面向目标的信息共享,优化信道编码过程,提供语义反馈级别并减少比特量,从而实现高效的通信。
Nov, 2023
本文提出了一种基于强化学习的自适应语义编码方法 (RL-ASC),通过卷积语义编码器将图像数据的类别、空间排列和视觉特征作为表征单元,将像素相似度替换为语义相似度来定义图像重建准则,通过自适应量化等级编码某个语义概念来增加速率 - 语义 - 感知性能作为奖励和生成式对抗网络 (GANs) 的语义解码器来重构图像,实验结果表明,与标准编解码器和其他深度学习基础图像编解码器相比,提出的 RL-ASC 方法具有噪声鲁棒性并能节约大量位量成本。
Aug, 2022
本研究通过推广 Basu 等人的方法,将语义建模扩展至完整的通信马尔科夫链,提出了一种 ML-based 的语义通信系统 SINFONY,通过传输信息的同时进行压缩,有效提高了信息传输质量,尤其在多分发情况下,SNR 比传统通信系统提高了 20dB。
Apr, 2022
通过集成人工智能技术,本文介绍了以知识理解和处理为重点的语义通信(SemCom)在知识学习方面的应用,尤其关注知识图谱(KGs)的利用,提出了增强型 KGs 的 SemCom 系统,并探索了在不断演化的知识库中更有效地操作的潜在方法和与大型语言模型(LLMs)进行数据增强的可能性。广泛的数值结果表明,所提出的框架在 KG 增强的解码上具有卓越的性能并展示了其在不同场景下的多功能性。
Jan, 2024