面向隐私感知任务导向语义通信的对比学习与对抗解耦
机器学习
2025-07-03 v3 人工智能
计算机视觉与模式识别
信息论
图像与视频处理
math.IT
摘要
任务导向语义通信系统已成为实现下一代网络中高效智能数据传输的有前景方法，其中仅传输与特定任务相关的信息。这在6G支持的物联网(6G-IoT)场景中尤为重要，因为带宽限制、延迟要求和数据隐私是关键因素。然而，现有方法难以完全分离任务相关和任务无关信息，导致隐私问题和次优性能。为此，我们提出了一种受信息瓶颈启发的CLAD（对比学习与对抗解耦）方法。CLAD利用对比学习有效捕获任务相关特征，同时利用对抗解耦丢弃任务无关信息。此外，由于缺乏可靠且可复现的方法来量化编码特征向量的最小性，我们引入了信息保留指数(IRI)，作为编码特征与输入之间互信息的代理度量。IRI反映了表示的最小性和信息性，使其对隐私保护和带宽高效的6G-IoT系统高度相关。大量实验表明，CLAD在语义提取、任务性能、隐私保护和IRI方面均优于最先进的基线方法，使其成为负责任、高效且可信的6G-IoT服务的有前景构建模块。
引用
@article{arxiv.2410.22784,
title = {Contrastive Learning and Adversarial Disentanglement for Privacy-Aware Task-Oriented Semantic Communication},
author = {Omar Erak and Omar Alhussein and Wen Tong},
journal= {arXiv preprint arXiv:2410.22784},
year = {2025}
}