基于信息瓶颈与联邦元学习的任务无关语义通信
信号处理
2025-05-02 v2
摘要
随着向无处不在智能的范式转变，语义通信 (SemCom) 已展现出巨大的潜力，可提升通信效率并提供以用户为中心的服务。然而，连接设备、数据量和通信需求的指数级增长为实际SemCom设计带来了显著挑战，尤其是在资源受限的无线网络中。本文首先提出一种可处理多模态任务的任务无关语义通信 (TASC) 框架。旨在从信息论视角探索通信与智能任务之间的相互作用，我们利用信息瓶颈 (IB) 理论，提出分布式多模态IB (DMIB) 原则，通过丢弃冗余信息同时保留任务相关信息，有效学习最小且充分的单模态和多模态信息。为进一步降低通信开销，我们开发了基于动态信道条件的自适应语义特征传输方法。随后，基于联邦元学习 (FML) 训练TASC，以实现无线网络中的快速适应和泛化。为深入理解，我们进行严格的理论分析，并设计资源管理以加快收敛速度，同时最小化训练延迟和能耗。此外，我们构建联合用户选择和资源分配算法，以解决非凸问题并提供理论保证。大量仿真结果表明，TASC在与基线方法相比方面具有有效性和优越性。
引用
@article{arxiv.2504.21723,
title = {Task-Agnostic Semantic Communications Relying on Information Bottleneck and Federated Meta-Learning},
author = {Hao Wei and Wen Wang and Wanli Ni and Wenjun Xu and Yongming Huang and Dusit Niyato and Ping Zhang},
journal= {arXiv preprint arXiv:2504.21723},
year = {2025}
}