面向异构语义原生通信的贝叶斯逆上下文推理
信息论
2023-06-13 v1 机器学习
math.IT
摘要
本工作研究异构语义原生通信（SNC）问题。当智能体不共享相同通信上下文时，上下文推理（CR）的有效性受损，需要智能体推断其他智能体的上下文。本文提出一种利用两种贝叶斯推断方法求解SNC中CR逆问题的新框架，即：贝叶斯逆CR（iCR）与贝叶斯逆线性化CR（iLCR）。第一种提出的贝叶斯iCR方法利用马尔可夫链蒙特卡洛（MCMC）采样推断智能体上下文，但计算开销大。为解决该问题，采用贝叶斯iLCR方法，其通过训练线性神经网络获得线性化CR（LCR）模型。实验结果表明，与贝叶斯iCR相比，贝叶斯iLCR方法所需计算更少且推断精度更高。此外，基于贝叶斯iLCR方法所获上下文的异构SNC比基于贝叶斯iCR的具有更好的通信有效性。总体而言，本工作为在智能体具有不同上下文情形下提升SNC有效性提供了有价值的见解与方法。
引用
@article{arxiv.2306.06403,
title = {Bayesian Inverse Contextual Reasoning for Heterogeneous Semantics-Native Communication},
author = {Hyowoon Seo and Yoonseong Kang and Mehdi Bennis and Wan Choi},
journal= {arXiv preprint arXiv:2306.06403},
year = {2023}
}
备注
14 pages, 7 figures, submitted for possible publication