特征重构辅助的联邦学习用于图像语义通信
信号处理
2025-08-05 v1
摘要
语义通信领域的研究尤其在图像传输领域受到广泛关注，常采用基于联合源-信道编码（JSCC）的神经网络（NN）模块。然而，这类系统随时间推移常因知识库陈旧而出现性能下降，亟需定期更新。为此，在图像传输JSCC模块训练背景下，我们提出一种名为FedSFR的带语义特征重构（FR）的联邦学习（FL）算法。该算法通过允许部分所选FL参与者传输较小特征向量而非本地更新信息，更高效地利用可用通信容量。不同于传统FL方法，我们的方法在参数服务器（PS）集成FR，稳定训练并提升图像传输质量。实验结果表明，所提方案在稳定性和有效性方面均显著优于其他算法。进一步，我们数学推导收敛速率以验证性能提升。
引用
@article{arxiv.2508.02048,
title = {Feature Reconstruction Aided Federated Learning for Image Semantic Communication},
author = {Yoon Huh and Bumjun Kim and Wan Choi},
journal= {arXiv preprint arXiv:2508.02048},
year = {2025}
}
备注
IEEE Globecom 2025