语义通信的性能优化：一种基于注意力的强化学习方法
信息论
2022-08-18 v1 人工智能
math.IT
摘要
本文提出了一种用于文本数据传输的语义通信框架。在所研究的模型中，基站(BS)从文本数据中提取语义信息，并将其传输给每个用户。语义信息由一组语义三元组构成的知识图(KG)建模。每个用户在接收到语义信息后，使用图到文本生成模型恢复原始文本。为衡量所考虑语义通信框架的性能，提出了一种语义相似度度量(MSS)，其联合捕获恢复文本的语义准确性与完整性。由于无线资源限制，基站可能无法向每个用户传输全部语义信息并满足传输时延约束。因此，基站必须为每个用户选择合适的资源块，并确定和传输部分语义信息给用户。为此，我们构建了一个优化问题，其目标是通过联合优化资源分配策略并确定待传输的部分语义信息来最大化总MSS。为求解该问题，提出了一种集成注意力网络、基于近端策略优化(proximal policy optimization)的强化学习(RL)算法。该算法可利用注意力网络评估语义信息中每个三元组的重要性，进而在语义信息三元组的重要性分布与总MSS之间建立关联。相比传统RL算法，所提算法能动态调整学习率，从而确保收敛到局部最优解。
引用
@article{arxiv.2208.08239,
title = {Performance Optimization for Semantic Communications: An Attention-based Reinforcement Learning Approach},
author = {Yining Wang and Mingzhe Chen and Tao Luo and Walid Saad and Dusit Niyato and H. Vincent Poor and Shuguang Cui},
journal= {arXiv preprint arXiv:2208.08239},
year = {2022}
}