基于自批判交替学习的语义广播通信
信号处理
2023-12-05 v1
摘要
语义通信（SemCom）被认为是一种突破传统通信瓶颈的极具前景的通信范式。然而，现有工作大多聚焦于点对点通信场景，由于将联合信源信道编码（JSCC）框架直接扩展到多用户通信系统的成本效率低下，其向多用户场景的扩展并非易事。同时，以往的方法通过可微的比特级监督来优化系统，容易导致“语义鸿沟”。因此，我们深入研究了基于通用 Transformer（UT）的多用户广播通信（BC），并提出了一种基于强化学习（RL）的自批判交替学习（SCAL）算法，命名为 SemanticBC-SCAL，以使其能够适应从一个发射机（TX）到多个接收机（RX）的不同 BC 信道来执行句子生成任务。具体而言，为了通过不可微的语义指标实现稳定优化，我们将句子相似度作为奖励，并将此学习过程表述为一个 RL 问题。考虑到巨大的决策空间，我们采用了一种轻量但高效的自批判监督来指导学习过程。同时，开发了一种交替学习机制以提供高性价比的学习，其中编码器和解码器以不同的迭代次数异步更新。值得注意的是，RL 的引入使得 SemanticBC-SCAL 兼容任何用户自定义的语义相似度指标，同时通过交替学习解决了信道不可微的问题。此外，还从理论上证明了 SemanticBC-SCAL 的收敛性。进行了广泛的仿真实验以验证我们所提方法的有效性和优越性，尤其是在低信噪比（SNR）下。
引用
@article{arxiv.2312.01423,
title = {Self-Critical Alternate Learning based Semantic Broadcast Communication},
author = {Zhilin Lu and Rongpeng Li and Ming Lei and Chan Wang and Zhifeng Zhao and Honggang Zhang},
journal= {arXiv preprint arXiv:2312.01423},
year = {2023}
}