面向个性化语义通信的联邦对比学习
信号处理
2024-06-14 v1 机器学习
摘要
本文设计了一种面向个性化语义通信的联邦对比学习（FedCL）框架。我们的FedCL enables在多个客户机之间进行本地语义编码器的协作训练，同时由基站拥有的全局语义解码器进行协调。该框架支持异构的语义编码器，因为无需进行客户端模型聚合。此外，为解决分布式客户机之间异构数据集导致的语义不平衡问题，我们采用对比学习来训练语义质心生成器（SCG）。该生成器获取具有类内语义紧凑性和类间语义可分性的代表性全局语义质心。因此，它为学习判别性本地语义特征提供了更优的监督。我们对FedCL的收敛性能进行了理论分析。仿真结果表明，与其他分布式学习基准相比，所提出的FedCL框架在不同客户机数量和信道条件下的任务性能和鲁棒性均优于后者，尤其是在低信噪比和高度异构数据场景下表现尤为突出。
引用
@article{arxiv.2406.09182,
title = {Federated Contrastive Learning for Personalized Semantic Communication},
author = {Yining Wang and Wanli Ni and Wenqiang Yi and Xiaodong Xu and Ping Zhang and Arumugam Nallanathan},
journal= {arXiv preprint arXiv:2406.09182},
year = {2024}
}
备注
IEEE Communications Letters