学习网络丘为 AI 原生语义通信

近期 AI 的进展要求从比特中心的通信转向以目标为导向、语义为导向的架构，为 AI 原生 6G 网络铺平了道路。在此背景下，我们解决了一个关键开放性挑战：使异构 AI 代理能够在减轻语义噪声的同时交换压缩后的潜在空间表示，并保持任务相关的意义。我们将这一挑战建模为学习通信拓扑结构以及控制信息交换的对齐映射，从而获得一个配备正交映射的学习网络丘。进一步支持这一学习过程的语义去噪压缩模块构建共享的全局语义空间，并派生每个代理潜在空间的稀疏、结构化表示。这对应于一个非凸字典学习问题，通过闭式更新进行迭代求解。使用预训练于真实图像数据的多个 AI 代理进行实验，表明语义去噪和压缩促进了 AI 代理的对齐以及语义聚类的提取，同时保持下游任务的高准确率。 resulting communication network 为我们的方法提供了新见解，突显了跨代理间语义异构性，并凸显了我们方法的可解释性。