Jan, 2024

语义通信的基本限制：速率失真的神经估计

PDF
TL;DR该研究探讨了离散无记忆信道上语义通信的基本限制，采用语义速率失真函数分析最小压缩率、观测失真、语义失真和信道容量之间的关系。对于未知语义源分布的情况，提出了一种基于神经网络的方法来学习语义源分布，同时设计了级联神经网络来估计语义速率失真函数。对于已知完美语义源分布的情况，提出了通用的 Blahut-Arimoto 算法来高效计算语义速率失真函数。最后，通过实验证实了该算法在理想高斯语义源和一些实际数据集的情况下的有效性。
semantic communicationssemantic rate-distortion functionunknown semantic source distributiongenerative networksblahut-arimoto algorithm
发现论文，激发创造
  • 语义沟通的速率 - 失真 - 感知理论

    通过研究符号畸变和语义感知限制下的语义通信数据率，提出了可实现的区域，并证明了一种随机编码方案可以实现该区域。对于给定的畸变和感知限制，推导了二进制语义信息源的闭合可实现速率，并验证了理论观察的实验结果。

    Dec, 2023

  • 目标导向的语义通信与失真率弹性的联合通信和计算框架

    基于率失真理论，该研究提出一种创新方法，分析沟通和语义压缩引起的失真，以评估其对人工智能模型性能的影响，并预先估计 AI 任务的经验性准确性，从而使目标导向的语义沟通问题成为可能。

    Sep, 2023

  • 可学概念的语义沟通

    该研究提出了一种通过学习算法来优化概率分布并将其传输到受限通道中的方法，从而在保证模型准确性的前提下降低数据失真，同时介绍了一种经验协调概念与网络中的强协调概念。

    May, 2023

  • 基于语义感知的多个马尔可夫源在约束下的远程估计

    该研究利用平均成本约束马尔可夫决策过程理论和 Lagrangian 动态规划，探索了在有损且受速率限制的通道上进行多个马尔可夫源的远程估计的语义感知通信；通过使用结构优化结果和开发新的策略搜索算法，可以最小化长期状态依赖成本和估计误差；为了避免马尔可夫决策过程的维度问题，提出了基于 Lyapunov 优化定理的在线低复杂度 Drift-plus-Penalty 调度算法。

    Mar, 2024

  • 面向多模态数据语义通信的自适应编码机制

    本文提出一个利用神经网络解决多模态语义通信问题的分布式框架，该框架包括传统的信道编码和解码，进一步建立了针对各种多模态语义任务的一般速率自适应编码机制。优化方案旨在在保持语义任务推理准确性的同时，最小化推理延迟。本文的数值结果表明，所提出的机制总体上表现优于传统通信和现有的语义通信系统。

    May, 2023

  • 考虑语义模糊性和信道噪声的实时语义沟通的潜在扩散模型

    该研究基于潜在扩散模型构建了一种语义交流系统，并通过三项改进，即异常值鲁棒编码器、轻量级单层潜在空间转换适配器和端到端一致性精炼策略，证明了该系统对异常值的稳健性、在未知分布数据传输中的适应能力以及保持高人类感知质量的实时信道去噪任务能力，优于现有的去噪方法。

    Jun, 2024

  • 基于 MIMO 干扰信道的图像传输语义通信的基准测试

    语义通信在增强数据传输效率方面具有很大潜力。本文针对干扰情景与基准方案进行了比较研究，提出了一种抗干扰的语义通信方案。该方案基于神经网络（NNs）开发了收发机，它可以单独在接收端或发送端和接收端都集成信道状态信息（CSI）。我们还建立了一个综合损失函数来训练 IRSC 收发机，并采用动态机制来更新损失函数中各个部分的权重，以提高系统对用户的公平性。实验结果表明，所提出的 IRSC 方案能有效地学习抑制干扰，在低信噪比（SNR）环境中优于基准方案。

    Apr, 2024

  • 基于条件分布感知度量的速率 - 失真 - 感知折衷

    在大块长度的渐进极限中，我们研究了无记忆源模型的速率失真感知（RDP）权衡。我们的感知度量基于基于编码器输出条件下的源和重构序列的分布之间的离散，这最初是在 [1]，[2] 中提出的。我们考虑编码器和解码器之间没有共享随机性的情况。对于离散无记忆源的情况，我们导出了 RDP 函数的单字母特性，从而解决了在 Blau 和 Michaeli [3] 中引入的边际度量问题（无共享随机性）。我们的实现方案基于在 [4] 中提出的带后验参考映射的有损源编码。对于在平方误差失真度量和平方二次 Wasserstein 感知度量下的连续值源的情况，我们还导出了单字母特性，并表明在解码器中添加噪声机制足以实现最佳表示。对于零感知损失的情况，我们证明了我们的特征与在 [5]，[6] 中推导的边际度量结果有趣地相吻合，并再次证明了可以在最小失真中以 3 dB 的惩罚实现零感知损失。最后，我们将结果特化到高斯源的情况。我们导出了矢量高斯源的 RDP 函数并提出了一种水填充类型的解决方案。我们还部分表征了混合矢量高斯源的 RDP 函数。

    Jan, 2024

  • 基于经验的三明治上下界率失真函数

    通过一种新的算法，本文提出了第一个普遍数据源（不一定是离散数据）的 R-D 函数的夹逼界算法，并在多个数据源上估计了 R-D 夹逼界，说明了神经数据压缩的优越性，并发现了改进图像压缩方法的潜在空间。

    Nov, 2021

  • 离散时间模拟传输下的语义通信：PAPR 视角

    本文针对深度学习 (DL) 的基于联合源信道编码 (DeepJSCC) 的最新进展进行了研究，探讨了在图像传输中通过三种 PAPR 降低技术来抑制高峰均比功率 (PAPR) 的传输信号，实现亮点提取和传输。通过实验结果，证实了 DeepJSCC 语义通信的优越的重构性能可以在传输 PAPR 被抑制到可接受水平时保持不变。

    Aug, 2022