面向目标导向的语义量化与模仿学习用于目标导向通信
机器学习
2025-03-03 v2 网络与互联网体系结构
摘要
语义通信标志着从位位数据传输向语义信息传递的范式转变，旨在实现带宽降低。为了更有效地在接收端执行特定的下游任务，关键在于根据任务或目标导向的特征定义数据中最关键的语义消息。在本工作中，我们提出了一种新颖的目标导向通信 (GO-COM) 框架，即基于目标导向的语义变分自编码器 (GOS-VAE)，通过关注对下游任务至关重要的语义提取。具体而言，我们采用向量量化变分自编码器 (VQ-VAE) 在发送端压缩媒体数据。不同于针对像素级图像数据重建， 我们在接收端基于预定义的任务激励模型衡量服务质量。此外，为了捕捉数据重建中相关的语义特征，采用模仿学习以目标导向语义来衡量数据再生质量。我们的实验结果表明，模仿学习在刻画目标导向语义方面具有力量，且我们提出的 GOS-VAE 在带宽效率方面表现出优势。
引用
@article{arxiv.2502.17842,
title = {Task-Driven Semantic Quantization and Imitation Learning for Goal-Oriented Communications},
author = {Yu-Chieh Chao and Yubei Chen and Weiwei Wang and Achintha Wijesinghe and Suchinthaka Wanninayaka and Songyang Zhang and Zhi Ding},
journal= {arXiv preprint arXiv:2502.17842},
year = {2025}
}
备注
Accepted for publication in 2025 International Conference on Communications (IEEE ICC); 6 pages, 4 figures