基于大语言模型的粘滞文本传输鲁棒性恢复
信号处理
2025-11-19 v1 机器学习
摘要
随着深度学习的近期进展，仅传输任务导向特征的语义通信 rapidly emerged。然而，由于特征提取依赖于基于学习的模型，其性能根本取决于训练数据集或任务。对于实际场景，必须设计一种在数据集或任务无关方面表现稳健的模型。本文提出了一种新型文本传输模型，该模型选择性地传输少量字符，并利用大语言模型（LLM）在接收端恢复缺失字符。此外，我们提出了一种新颖的重要字符提取器（ICE），用于选择传输的字符以提高 LLM 恢复性能。仿真结果表明，所提出的 ICE 选择的过滤器优于随机过滤器选择，即随机选择传输的字符。此外，所提出的模型在不同数据集和任务之间表现出稳健的性能，在信噪比较低的条件下也优于传统基于位的通信。
引用
@article{arxiv.2503.14831,
title = {Robust Transmission of Punctured Text with Large Language Model-based Recovery},
author = {Sojeong Park and Hyeonho Noh and Hyun Jong Yang},
journal= {arXiv preprint arXiv:2503.14831},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication