干扰下深度学习赋能的文本语义通信:一项实证研究
信号处理
2024-08-27 v2
摘要
在 6G、深度学习(DL)与自然语言处理(NLP)的交汇处,DL 赋能的文本语义通信(SemCom)已成为 6G 赋能技术,因其最小化了带宽消耗、传输延迟与功耗。在现有文本 SemCom 技术中,一种流行的文本 SemCom 方案——可在低信噪比(SNR)区间可靠传输语义信息——是 DeepSC,其在射频干扰(RFI)下的基础渐近性能极限已由我们近期发展的理论 [1] 准确预测。尽管我们的理论得到了仿真佐证,但训练后的深度网络可能违背经典统计规律,亟需大量计算机实验。本实证工作随之使用从欧洲议会会议记录(Europarl)数据集分词并向量化得到的训练、验证与测试集展开。具体而言,我们在以 TensorFlow 2.9 为后端的 Keras 2.9 中训练 DeepSC 架构,并在瑞利衰落信道上接收的高斯多干扰源 RFI 下测试。我们的测试结果证实,DeepSC 在强高斯 RFI 发射机下会产生语义无关句子,验证了我们的理论。因此,需要一种抗干扰且鲁棒的 SemCom(IR SemCom)基础 6G 设计范式。
引用
@article{arxiv.2310.19974,
title = {Deep Learning-Enabled Text Semantic Communication under Interference: An Empirical Study},
author = {Tilahun M. Getu and Georges Kaddoum and Mehdi Bennis},
journal= {arXiv preprint arXiv:2310.19974},
year = {2024}
}