基于自编码器的域学习用于概念空间语义通信

以准确传达意义而非准确传输符号为目标的通信，已成为一个日益受到关注的领域。这种被称为语义通信的范式，通常利用人工智能和机器学习的最新发展来提高通信系统的效率和鲁棒性。然而，缺乏一个标准模型来捕捉和量化“意义”的细节，许多主流的语义通信方法采用黑箱框架，对模型究竟学到了什么理解甚少。一种解决方案是利用概念空间框架，它以几何方式显式地建模意义。尽管先前使用概念空间研究语义通信的工作已显示出有希望的结果，但这些尝试涉及手工构建概念空间模型，严重限制了该方法的可扩展性和实用性。在这项工作中，我们开发了一个框架，仅使用带有高层属性标签的原始数据来学习概念空间模型的域。在使用MNIST和CelebA数据集的实验中，我们表明使用该框架学习到的域保持了语义相似性关系，并具有可解释的维度。