基于强化学习的语义广播通信异构多任务优化
信号处理
2025-04-29 v1
摘要
面向图像传输的语义广播通信(Semantic BC)在单任务场景下已取得显著的性能提升。然而,将这些方法扩展到多任务场景仍然具有挑战性,因为不同任务通常需要不同的目标函数,导致共享编码器内部可能出现冲突。本文提出一种基于三层强化学习(RL)的多任务语义广播通信框架,称为 SemanticBC-TriRL,该框架能够有效解决上述冲突,并在接收端同时支持多种下游任务,包括图像分类与内容重建任务。具体而言,所提框架采用自底向上的三层交替学习策略,并将其建模为一个带约束的多目标优化问题。在第一层,各任务专属解码器通过监督学习进行局部优化;在第二层,共享编码器在面向任务的奖励引导下,基于近端策略优化(PPO)进行更新;在第三层,基于多梯度聚合的任务加权模块自适应地调整任务优先级,并引导编码器的优化方向。通过这种分层学习过程,编码器与解码器得以交替训练,三个层级通过带约束的学习目标紧密耦合。此外,本文还从理论上证明了 SemanticBC-TriRL 的收敛性。大量仿真结果表明,所提框架在多种信道条件下均具有优越的性能,尤其是在低 SNR 区间表现突出,并验证了其在接收端数量增加时的可扩展性。
引用
@article{arxiv.2504.19806,
title = {Reinforcement Learning-Based Heterogeneous Multi-Task Optimization in Semantic Broadcast Communications},
author = {Zhilin Lu and Rongpeng Li and Zhifeng Zhao and Honggang Zhang},
journal= {arXiv preprint arXiv:2504.19806},
year = {2025}
}