基于全局表示对齐和领域感知聚合的跨域联邦语义通信

语义通信通过挖掘原始数据背后的含义来显著提高无线系统的带宽利用率。然而，语义通信所取得的进展严重依赖于用于联合源-信道编码（JSCC）编码器/解码器技术的深度学习（DL）模型的发展，这些模型需要大量数据进行训练。为了解决 DL 模型的数据密集型问题，联邦学习（FL）被提出以分布式方式训练模型，其中服务器向网络中的客户端广播 DL 模型以便使用其本地数据进行训练。然而，传统的 FL 方法在客户端数据来自不同领域时会遭受灾难性退化。相反，本文提出了一种新型 FL 框架，通过构建全局表示来对齐与客户端本地特征相匹配的表示，以保留不同数据领域的语义。此外，识别了具有大量样本的客户端领域优势问题，并通过领域感知聚合方法予以解决。本工作是首次在训练用于图像重建任务的语义通信系统时考虑领域迈移。最终的仿真结果表明，在信噪比为 1 dB 的三个领域下，所提出的方法相较于模型对比联邦学习（MOON）框架提高了 0.5 的 PSNR 值，该差距随信道质量的改善而进一步扩大。