通过迁移学习和知识蒸馏优化多用户语义通信
信息论
2025-02-06 v1 math.IT
摘要
语义通信通过联合优化信源和信道编码来确保服务质量，有效提取数据语义、减少传输长度并缓解信道噪声。然而，大多数研究忽略了多用户场景和资源可用性，限制了实际应用。本文通过关注从基站到多个具有不同计算能力的用户的下行链路通信来填补这一空白。用户使用Swin Transformer模型的变体进行信源解码，并使用简单的架构进行信道解码。我们提出了一种新颖的训练方案，结合迁移学习和知识蒸馏来提升低计算能力用户的性能。大量仿真验证了所提方法的有效性。
关键词
引用
@article{arxiv.2406.03773,
title = {Optimizing Multi-User Semantic Communication via Transfer Learning and Knowledge Distillation},
author = {Loc X. Nguyen and Kitae Kim and Ye Lin Tun and Sheikh Salman Hassan and Yan Kyaw Tun and Zhu Han and Choong Seon Hong},
journal= {arXiv preprint arXiv:2406.03773},
year = {2025}
}
备注
5 pages, 5 figures