面向语义通信的重要性感知星座设计
机器学习
2026-05-15 v1 人工智能
信号处理
摘要
面向目标导向的语义通信系统必须通过源压缩以及物理层映射来保护任务相关信息。现有方法将星座设计与语义编码解耦，使关键符号暴露于与无关符号相同错误率下。本文提出一种联合语义-物理层框架，由向量量化变分自编码器提取离散语义概念，语义关键性指示器（SCI）对每个概念进行任务相关性评分，以及基于深度强化学习的智能体根据瞬时信道条件动态选择传输子集。在物理层，学习的语义感知M-QAM星座根据联合共现统计和SCI评分分配符号位置，区别于标准M-QAM的均匀间距和Gray编码后者最小化平均误码率而不顾语义内容。我们引入一种新的语义符号脆弱性（SSV）指标和语义保护概率（SPP）来量化任务关键符号的解码错误暴露程度，并证明任何Gray编码星座在源存在非均匀语义重要性和共现统计时，严格 suboptimal于SCI加权SSV。仿真结果表明，所提星座在4-QAM至1024-QAM的调制阶数下实现接近100%的SPP，而标准星座在高谱灵效率下仅为50%，在语义质量>0.9时实现21:1的压缩比，跨MNIST、Fashion-MNIST和FSDD无需修改即可泛化。
引用
@article{arxiv.2605.14940,
title = {Not All Symbols Are Equal: Importance-Aware Constellation Design for Semantic Communication},
author = {Albert Shaju and Christo Kurisummoottil Thomas and Mayukh Roy Chowdhury},
journal= {arXiv preprint arXiv:2605.14940},
year = {2026}
}
备注
Submitted to IEEE GLOBECOM 2026. 6 pages, 8 figures