基于 LP 指导的 DRL 实现的内容准确性与质量感知的 ISAC 驱动 AIGC 网络资源分配
机器学习
2026-01-15 v2
摘要
集成感知与通信（ISAC）可以提高人工智能生成内容（AIGC）网络的效率，通过提供高效的感知和传输。现有的AIGC服务通常假设只要输入数据和提示准确，就可以确保生成内容的准确性，从而仅关注内容生成质量（CGQ）。然而，这在基于ISAC的AIGC网络中并不适用，其中内容生成基于不准确的感知数据。此外，AIGC模型本身会引入生成误差，这些误差取决于生成步骤的数量（即计算资源）。为了评估基于ISAC的AIGC服务的用户体验质量，我们提出了内容准确性和质量感知的服务评估指标（CAQA）。由于为感知和生成分配更多资源可提高内容准确性，但可能降低通信质量，反之亦然，这种感知-生成（计算）-通信三维资源权衡必须优化，以最大化所有AIGC用户（CAQA-AIGC）的平均CAQA。该问题是NP难的，解的空间随用户数量呈指数增长。为了以低复杂度求解CAQA-AIGC问题，提出一种基于线性规划（LP）指导的深度强化学习（DRL）算法带有动作过滤器（LPDRL-F）。通过LP指导方法和动作过滤器，LPDRL-F可以将原始的三维解空间转化为二维，从而降低复杂度并提高DRL的学习性能。仿真结果表明，与现有的DRL和生成扩散模型（GDM）算法（无LP）相比，LPDRL-F收敛更快，找到更好的资源分配方案，将AvgCAQA提高了10%以上。使用LPDRL-F后，CAQA-AIGC相对于仅关注CGQ的现有方案可将AvgCAQA提高50%以上。
引用
@article{arxiv.2508.12079,
title = {Content Accuracy and Quality Aware Resource Allocation Based on LP-Guided DRL for ISAC-Driven AIGC Networks},
author = {Ningzhe Shi and Yiqing Zhou and Ling Liu and Jinglin Shi and Yihao Wu and Haiwei Shi and Hanxiao Yu},
journal= {arXiv preprint arXiv:2508.12079},
year = {2026}
}
备注
Accepted by IEEE TMC