干扰下深度学习赋能的文本语义通信的性能极限
信号处理
2024-02-27 v3 人工智能
信息论
math.IT
摘要
尽管深度学习（DL）赋能的语义通信（SemCom）通过最小化无关信息传输——最小化功耗、带宽消耗和传输延迟——已成为6G赋能技术，但其益处会受到造成显著语义噪声的射频干扰（RFI）的限制。这种语义噪声的影响可使用抗干扰且鲁棒（IR）的SemCom设计来缓解，尽管目前尚不存在此类设计。为激发对IR2 SemCom的基础研究，我们研究了流行的名为DeepSC的文本SemCom系统在（多干扰源）RFI存在下的性能极限。通过引入一种原理性的SemCom概率框架，我们表明随着（多干扰源）RFI功率变得非常大，DeepSC会产生语义无关的句子。我们还推导了DeepSC在多发RFI下的实际极限及其中断概率的下界，并提出了一种（通用）基于终身学习的DL的IR SemCom系统。我们通过仿真和计算机实验证实了所推导的极限，这也证实了DeepSC对使用RFI的无线攻击的脆弱性。
引用
@article{arxiv.2302.14702,
title = {Performance Limits of a Deep Learning-Enabled Text Semantic Communication under Interference},
author = {Tilahun M. Getu and Walid Saad and Georges Kaddoum and Mehdi Bennis},
journal= {arXiv preprint arXiv:2302.14702},
year = {2024}
}