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
本论文提出了一种基于认知语义学和知识图谱的语义传播框架,使用三元组来提取语义信息并进行纠错,相较于其他基准系统具有更高的数据压缩率和通信可靠性。
Feb, 2022
基于知识蒸馏的深度学习模型在语义通信系统中提高了模型鲁棒性和泛化能力,减小了模型尺寸压缩时的性能损失。
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
本文提出了一种新的神经网络语义通信系统,包括语义编码网络和数据适应网络,通过传输学习中的域适应技术实现了针对动态数据环境下的任务不可知的图像传输,实验结果表明该方法在保持高性能的同时也能适应可观测数据集。
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
提出了一种基于深度学习的语义通信系统 DeepSC,使用 Transformer 来重构语句的含义,最大化系统容量并最小化语义错误,同时采用迁移学习以适应不同的通信环境,并提供了一个新的度量标准,命名为句子相似性。深度语义通信系统在低信噪比的情况下表现更好,比传统的非语义信息传播的系统更稳健。
Jun, 2020
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
研究了基于知识库的语义通信的误差问题,作者提出一种基于神经网络的协作学习方法,可以减少接收方的误解。
Jan, 2023
通过利用语义知识库(KB)开创性地引入生成式语义通信,本文解决了在实践中提供有效语义表达的挑战,从而显著提高通信效率。文章介绍了语义 KB 的基本原理,并通过构建源、任务和信道三个子 KB 的方式,开发出生成式语义通信体系结构。然后,详细描述了每个子 KB 的构建方法,并探讨了它们在语义编码和传输方面的应用。最后提供了一个案例研究,展示了生成式语义通信相对于常规句法通信和经典语义通信的卓越表现,为令人兴奋的生成式语义通信未知领域奠定了科学基础。