Semantic-aware Transmission Scheduling: a Monotonicity-driven Deep Reinforcement Learning Approach
The University of Sydney(悉尼大学);Queensland University of Technology (QUT)(昆士兰科技大学)
针对6G信息物理系统中语义感知传输调度决策空间巨大、现有算法难以求得最优策略的问题,本文分析最优策略性质并据此提出单调性驱动的DRL算法,显著减少训练时间并提升性能。
2023-09-21 cs.AI cs.IT cs.LG
Enhancing Interpretability in Deep Reinforcement Learning through Semantic Clustering
College of Information Science University of Arizona(信息科学学院亚利桑那大学)
本文提出一种结合特征降维与在线聚类的语义聚类模块,集成到深度强化学习训练流程中,以提高可解释性,并通过新分析方法揭示策略层次结构与特征空间语义组织。
2025-10-23 cs.AI
Foundation Models for Semantic Novelty in Reinforcement Learning
NVIDIA Research(英伟达研究院);University of Oxford(牛津大学);Georgia Institute of Technology(佐治亚理工学院);Stanford University(斯坦福大学)
有效地探索环境是强化学习(RL)的一个关键挑战。我们通过定义一种基于基础模型的新型内在奖励来解决这一挑战,例如对比语言图像预训练(CLIP),它可以编码大量关于世界的独立于领域的语义视觉语言知识。具体来说,我们的内在奖励是基于预训练的CLIP嵌入定义的,而无需对目标RL任务进行任何微调或学习。我们证明了基于CLIP的内在奖励可以推动探索语义上有意义的状态,并在具有挑战性的稀疏奖励程序生成的环境中优于最先进的方法。
2022-11-09 cs.AI cs.LG
First-Order Problem Solving through Neural MCTS based Reinforcement Learning
Northeastern University(东北大学)
一个解释的一阶逻辑(FOL)语句的形式语义可以用塔斯基语义学或基本等价的博弈语义学给出。后者将陈述和解释映射为两个玩家的语义游戏。许多组合问题可以使用解释的FOL语句来描述,并且可以映射到语义游戏中。因此,学习玩语义游戏可以完美地解决组合问题的特定实例。我们调整了AlphaZero算法,使其更好地学习玩具有不同特征的语义游戏,而不是围棋和象棋。我们提出了一个通用的框架,珀尔塞福涅,映射组合问题的FOL描述的语义游戏,使它可以通过基于神经MCTS的强化学习算法来解决。我们对Persephone的目标是使其成为白板,将解释FOL中陈述的问题映射到没有人为干预的解决方案。
2021-01-11 cs.AI cs.LG
Interactive Semantic Parsing for If-Then Recipes via Hierarchical Reinforcement Learning
The Ohio State University(俄亥俄州立大学);University of Washington(华盛顿大学);Microsoft Research AI(微软人工智能研究院);U.S. Army Research Lab(美国陆军研究实验室)
给定一个文本描述,大多数现有的语义解析器一次合成一个程序。然而,仅仅基于描述来产生正确的程序是相当具有挑战性的,而实际上描述往往是模糊或不完整的。在本文中,我们研究了交互式语义解析,其中代理可以问用户澄清问题,以解决歧义,通过多轮对话,对一个重要类型的程序称为“如果然后食谱。“我们开发了一个基于分层强化学习(HRL)的代理,它可以显着提高解析性能,同时向用户提出最少的问题。模拟和人类评估的结果表明,我们的代理大大优于非交互式语义解析器和基于规则的代理。
2018-11-14 cs.AI cs.CL
CALF: Communication-Aware Learning Framework for Distributed Reinforcement Learning
University of Cambridge(剑桥大学)
本文提出CALF框架,通过在仿真中训练考虑通信延迟等网络条件的策略,减少实际部署中的性能差距,验证了通信约束建模对实现鲁棒现实执行的重要性。
2026-03-13 cs.AI cs.LG
UAV-assisted Semantic Communication with Hybrid Action Reinforcement Learning
Nanyang Technological University(南洋理工大学);University of North Texas(北德克萨斯大学)
本文针对偏远地区元宇宙用户上行数据收集效率问题,提出一种混合动作强化学习框架,联合优化语义模型规模、信道分配、功率和无人机轨迹,实验表明其优于基准方案。
2023-12-01 cs.AI cs.LG cs.NI
Deep Reinforcement Learning with Distributional Semantic Rewards for Abstractive Summarization
University of California, Santa Barbara(加州大学圣巴巴拉分校);Beijing University of Posts and Telecommunications(北京邮电大学)
深度强化学习(RL)是一种常用的抽象摘要任务的策略,以解决暴露偏差和不可区分的任务问题。然而,传统的奖励Rouge-L只是寻找候选和注释引用之间的精确n-gram匹配,这不可避免地使生成的句子重复和不连贯。在本文中,而不是Rouge-L,我们探讨了利用分布语义来衡量匹配度的可行性。利用分布式语义,可以获得语义级评价,并且还可以生成语义正确的短语,而不限于参考句子的表面形式。Gigaword和CNN/Daily Mail数据集上的人类判断表明,我们提出的分布式语义奖励(DSR)在捕获自然语言的词汇和成分多样性方面具有明显的优势。
2019-09-10 cs.AI cs.CL cs.LG
Compositional Behavioral Semantics for State Abstraction in Reinforcement Learning
The University of Tokyo(东京大学);Mila - Quebec Artificial Intelligence Institute(魁北克人工智能研究所);McGill University(麦吉尔大学);Araya Inc., Tokyo, Japan(日本东京阿雷亚公司);University of Sussex(Sussex大学)
提出统一框架,通过局部一步系统动态描述组成性地定义行为语义,证明行为结构在抽象与具体系统间的安全迁移,并构建具有可靠性保证的定量度量。
2026-08-10 cs.AI cs.LG math.CT
Communication Efficient Parallel Reinforcement Learning
Purdue University(普渡大学)
我们考虑的问题,$M$代理与$M$相同和独立的环境与$S$状态和$A$行动使用强化学习的$T$轮。代理与中央服务器共享数据,以尽量减少他们的遗憾。我们的目标是找到一个算法,允许代理,以尽量减少与不频繁的通信回合的遗憾。我们提供\NAM \,它运行在每个代理,并证明了$M$代理的总累积遗憾的上界为$\Tilde{O}(DS\sqrt{MAT})$的马尔可夫决策过程直径$D$,状态数$S$,和行动数$A$。代理同步后,他们的访问任何状态动作对超过一定的阈值。利用这一点,我们得到了$O\left(MSA\log(MT)\right)$上的通信轮总数的界。最后,我们评估算法对多种环境,并证明该算法的性能与始终通信版本的UCRL 2算法,而显着降低通信。
2021-02-22 cs.AI cs.LG cs.MA
RGMComm: Return Gap Minimization via Discrete Communications in Multi-Agent Reinforcement Learning
The George Washington University(乔治华盛顿大学);Carnegie Mellon University(卡内基梅隆大学)
针对多智能体强化学习中现有通信方法开销高、无定量回报保证的问题,提出RGMComm算法,通过将通信转化为在线聚类问题最小化回报间隙,实现低开销高可解释的接近最优性能。
2023-12-18 cs.AI
Source-Grounded Semantic Reinforcement Learning for Low-Resource Target-Language Generation
Minzu University of China(中国民族大学);Ant Group(蚂蚁集团);Shanghai Jiao Tong University(上海交通大学);Peking University(北京大学);Harbin Institute of Technology(哈尔滨工业大学);South China University of Technology(华南理工大学)
提出源语言锚定的语义强化学习(SG-SRL),通过跨语言语义奖励模型利用源语言单语数据,结合轻量级恢复阶段解决奖励黑客问题,在低资源目标语言生成中提升语义锚定和事实覆盖。
2026-05-28 cs.AI cs.CL
Communication Load Balancing via Efficient Inverse Reinforcement Learning
Samsung Electronics(三星电子)
通信负载均衡的目的是均衡不同可用资源之间的负载,从而提高网络系统的服务质量。在将负载均衡(LB)公式化为马尔可夫决策过程问题之后,强化学习(RL)最近被证明在解决LB问题方面是有效的。然而,为了利用经典RL的负载均衡优势,我们需要一个明确的奖励定义。设计这种奖励函数是具有挑战性的,因为它涉及到对专家知识的需求,并且缺乏对最佳奖励函数形式的普遍共识。在这项工作中,我们从逆强化学习(IRL)的方法来解决通信负载均衡问题。据我们所知,这是IRL第一次成功地应用于通信领域的负载均衡。具体而言,首先,我们从一组演示中推断出奖励函数,然后使用推断出的奖励函数学习强化学习负载均衡策略。与经典的基于RL的解决方案相比,所提出的解决方案可以更通用,更适合于现实世界的场景。在不同的模拟交通情况下实施的实验评估表明,我们的方法是有效的,优于其他基线的相当大的利润。
2023-03-22 cs.AI cs.LG cs.NI
Cooperative Multi-Agent Reinforcement Learning: Asynchronous Communication and Linear Function Approximation
Yale University(耶鲁大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文研究情景式马尔可夫决策过程中的多智能体强化学习,提出一种基于值迭代的异步通信算法,利用线性函数近似实现了低通信开销下的高效合作,并给出了遗憾与通信复杂度的理论上下界。
2023-06-24 cs.AI cs.LG cs.MA
Transceiver Cooperative Learning-aided Semantic Communications Against Mismatched Background Knowledge Bases
Shandong University(山东大学)
基于背景知识的语义通信已被认为是智能代理之间通信的一种有前途的技术。现有的工作假设语义通信的收发器共享相同的KB。然而,智能收发器可能会遭受通信负担或担心隐私泄露以KB交换数据。此外,收发器可以独立地从环境中学习并且动态地更新它们的知识库,导致知识库的及时共享不可行。所有这些都导致知识块之间的不匹配,这可能导致接收方在语义级上的误解。为了解决这个问题,我们提出了一个收发器协作学习辅助语义通信(TCL-SC)计划对不匹配的知识库。在TCL-SC中,收发器基于它们自己的知识库协作地训练相同结构的语义编码器和解码器神经元网络(NN)。它们周期性地共享NN的参数。为了减少参数共享的通信开销,采用了参数量化。此外,我们还讨论了通信轮数对语义通信系统性能的影响。在真实数据上的实验表明,我们提出的TCL-SC可以减少接收端由于知识块之间的不匹配而引起的语义级误解,特别是在低信噪比(SNR)下。
2023-01-09 cs.AI cs.NI eess.SP
Provably Efficient Federated Reinforcement Learning with Linear Function Approximation and Logarithmic Communication Cost
The Pennsylvania State University(宾夕法尼亚州立大学)
针对联邦强化学习的线性函数近似场景,提出Fed-LSVI算法,通过压缩统计量实现对数通信成本,达到最优遗憾界,解决了通信成本高与隐私约束的问题。
2026-09-02 cs.AI cs.LG stat.ML
A Visual Communication Map for Multi-Agent Deep Reinforcement Learning
Institute for Intelligent Systems Research and Innovation, Deakin University(迪肯大学智能系统研究与创新研究所);School of Information Technology, Deakin University(迪肯大学信息技术学院)
深度强化学习已成功应用于解决各种现实问题,其在多智能体环境中的应用数量也在不断增加。多智能体学习在分配隐藏的通信介质方面显然提出了重大挑战。代理从介质中接收全面的知识,以确定分布式性质的后续动作。显然,目标是利用多个代理的合作来有效地实现指定的目标。最近的研究通常将专门的神经网络与强化学习结合起来,以实现代理之间的通信。然而,这种方法限制了代理的数量或需要系统的均匀性。在本文中,我们提出了一种更具可扩展性的方法,不仅可以处理大量的代理,还可以实现不同功能代理之间的协作,并与任何深度强化学习方法相结合。具体来说,我们创建了一个全球通信地图来表示系统中的每个代理的状态可视化。视觉地图和环境状态被馈送到共享参数网络以同时训练多个代理。最后,我们选择异步优势演员-评论家(A3 C)算法来证明我们提出的方案,即多智能体的视觉通信映射A3 C(VMA 3C)。仿真结果表明,视觉通信地图的使用提高了A3 C的学习速度,奖励的成就,和多智能体问题的鲁棒性的性能。
2021-02-23 cs.AI cs.GT cs.LG
Local Communication Protocols for Learning Complex Swarm Behaviors with Deep Reinforcement Learning
School of Computer Science, University of Lincoln(林肯大学计算机科学学院);Department of Electrical Engineering, Technische Universität Darmstadt(达姆施塔特技术大学电气工程系)
本文提出简单通信协议,利用深度强化学习在多机器人群环境中学习去中心化控制策略,通过直方图编码局部邻域关系并传输任务特定信息,如最短距离和方向,以完成协作任务。
2018-07-18 cs.AI cs.LG cs.MA
Improving Coordination in Small-Scale Multi-Agent Deep Reinforcement Learning through Memory-driven Communication
University of Warwick(华威大学)
深度强化学习算法最近被用于以集中的方式训练多个交互代理,同时保持其执行分散。当智能体只能获得部分观测值并面临需要协调和同步技能的任务时,智能体通信起着至关重要的作用。在这项工作中,我们提出了一个框架,多智能体训练使用深度确定性的策略梯度,使并发,端到端学习的显式通信协议,通过内存设备。在训练过程中,智能体学习执行读写操作,使它们能够推断出世界的共享表示。我们的经验表明,并发学习的通信设备和个人的政策,可以提高代理间的协调和性能在小规模的系统。我们的实验结果表明,所提出的方法在多达六个代理的情况下实现了优异的性能。我们说明了如何不同的通信模式可以出现在六个不同的任务日益复杂。此外,我们还研究了破坏通信通道的影响,提供了随时间变化的记忆内容的可视化,因为底层任务正在解决,并通过消融研究验证了所提出的记忆设备的构建模块。
2019-10-29 cs.AI cs.LG cs.MA
Communication-Efficient Consensus Mechanism for Federated Reinforcement Learning
Zhejiang University(浙江大学);Zhejiang Lab(浙江实验室)
在联邦学习(FL)范式下,研究了独立强化学习(IRL)在多智能体决策过程中的应用。我们发现,FL可以明显提高IRL的培训效率和稳定性方面的政策性能。然而,由于策略参数是在本地训练的,并通过FL中的中央服务器迭代地聚合,因此频繁的信息交换会产生大量的通信开销。为了在提高模型的收敛性能和减少所需的通信和计算开销之间取得良好的平衡,本文提出了一个系统效用函数,并在周期平均法的基础上开发了一个基于共识的优化方案,该方案将共识算法引入FL中,用于交换模型的局部梯度。本文还提供了新的收敛性保证的发展方法,并通过理论分析和数值仿真结果表明,其优越的有效性和效率,提高系统的效用值。
2022-01-30 cs.AI cs.LG cs.MA
Communication-Efficient Reinforcement Learning in Swarm Robotic Networks for Maze Exploration
University of Georgia(佐治亚大学)
本文提出一种通信高效的去中心化协作强化学习算法,通过分层局部信息交换协调群体机器人进行迷宫探索,在通信退化环境下显著提升覆盖精度与效率并降低成本。
2023-05-26 cs.AI cs.MA cs.NI
From semantics to execution: Integrating action planning with reinforcement learning for robotic causal problem-solving
强化学习是在噪声条件下鲁棒地执行低级别机器人控制的适当且成功的方法。符号行动计划有助于解决因果依赖关系,并将因果关系复杂的问题分解为一系列更简单的高级行动。这两种方法的集成的一个问题是,行动规划是基于离散的高级动作和状态空间,而强化学习通常是由连续的奖励函数驱动。然而,强化学习的最新进展,特别是通用价值函数逼近器和事后经验重放,都集中在基于稀疏奖励的目标无关方法上。在本文中,我们建立在这些新方法的基础上,通过利用奖励稀疏性作为高级和低级状态和控制空间之间的桥梁,促进行动规划与强化学习的集成。因此,我们证明了集成的神经符号的方法是能够解决对象操作问题,涉及工具使用和非平凡的因果依赖关系在嘈杂的条件下,利用数据和知识。
2019-12-08 cs.AI cs.LG cs.RO
Deep Reinforcement Learning for Intelligent Reflecting Surface-assisted D2D Communications
Queen’s University Belfast(贝尔法斯特女王大学);Duy Tan University(阮攸大学);Memorial University(纪念大学)
在本文中,我们提出了一种深度强化学习(DRL)方法,用于解决智能反射面(IRS)支持的设备到设备(D2D)通信中网络总速率的优化问题。IRS被部署为减轻干扰并增强D2D发射机和相关联的D2D接收机之间的信号。我们的目标是联合优化D2D发射机的发射功率和IRS的相移矩阵,以最大化网络总速率。我们制定了一个马尔可夫决策过程,然后提出了解决最大化博弈的最接近的政策优化。仿真结果表明,令人印象深刻的性能方面的可实现的速率和处理时间。
2021-08-06 cs.AI cs.GT cs.LG
Deep Reinforcement Learning for Resource Allocation in V2V Communications
在这篇文章中,我们开发了一种基于深度强化学习的车对车(V2V)通信系统的分散式资源分配机制。每个V2V链路都被视为一个代理,自行做出决定,以找到用于传输的最佳子频带和功率水平。由于所提出的方法是分散的,全局信息是不需要每个代理作出决定,因此传输开销很小。从仿真结果中,每个智能体可以学习如何满足V2V约束,同时最大限度地减少对车辆到基础设施(V2I)通信的干扰。
2017-11-06 cs.IT math.IT
Multi-User Semantic Fusion for Semantic Communications over Degraded Broadcast Channels
Shanghai Jiao Tong University(上海交通大学)
针对退化广播信道语义通信研究不足的问题,提出多用户语义融合与DBC感知的CSI嵌入方法,实现无线图像广播中两用户性能的动态平衡,并优于传统广播方案。
2024-06-15 cs.AI cs.IT math.IT
Multi-Agent Deep Reinforcement Learning for Distributed Resource Management in Wirelessly Powered Communication Networks
研究了基于多智能体深度强化学习(MADRL)的多小区无线供电通信网络(WPCN)的资源分配方法。我们设计了一个分布式强化学习策略,其中H-AP单独确定时间和功率分配变量。与传统的集中式优化算法,需要在一个中央单元收集的全球信息,建议的MADRL技术模型的H-AP作为一个代理,仅根据自己的本地可观察的状态产生其行动。数值结果表明,该方法可以实现类似的集中式算法的性能。
2020-10-19 cs.IT math.IT
Deep Reinforcement Learning based Resource Allocation for V2V Communications
本文提出了一种基于深度强化学习的车对车(V2V)通信的去中心化资源分配机制,可应用于单播和广播场景。根据分散式资源分配机制,“自主智能体”、V2V链路或车辆做出其决定以找到用于传输的最佳子带和功率电平,而不需要或不必等待全局信息。由于所提出的方法是分散的,它只会引起有限的传输开销。从仿真结果来看,每个智能体都可以有效地学习满足V2V链路上严格的延迟约束,同时最大限度地减少对车辆到基础设施(V2I)通信的干扰。
2018-05-16 cs.IT math.IT
IRS-Assisted Ambient Backscatter Communications Utilizing Deep Reinforcement Learning
我们考虑一个环境后向散射通信(AmBC)系统的智能反射表面(IRS)的帮助下。当没有先前的信道知识时,IRS的优化以辅助AmBC是极其困难的,目前没有可用的设计解决方案。我们利用基于深度强化学习的框架来联合优化IRS和读取器波束成形,而无需了解通道或环境信号。我们表明,所提出的框架可以促进有效的AmBC通信的检测性能与几个基准下的全信道知识。
2021-07-26 cs.IT eess.SP math.IT
Semantic Communication Through the Lens of Context-Dependent Channel Modeling
Technische Universität Dresden(德累斯顿工业大学)
本文通过上下文依赖信道建模视角,研究了语义通信中语义噪声来源问题,分析了编码器的表示能力并推导了容量和速率结果。
2026-02-26 cs.IT math.IT
Towards Effective and Interpretable Semantic Communications
针对6G语义通信中黑盒机器学习导致的理论与实践脱节问题,本文基于语义熵、语义失真和通信速率等信息论指标刻画信息流,并提出兼顾可解释性与有效性的实施指南。
2024-08-09 cs.IT math.IT
A Contemporary Survey on Semantic Communications:Theory of Mind, Generative AI, and Deep Joint Source-Channel Coding
Department of Computer Science and Engineering, Kyung Hee University(庆熙大学计算机科学与工程系)
本综述概述语义通信的三个主要方向:基于心智理论、生成式AI和深度联合信源信道编码,并讨论开放问题、关键挑战及未来方向。
2025-10-05 cs.IT math.IT
Knowledge Base Enabled Semantic Communication: A Generative Perspective
Shenzhen Future Network of Intelligence Institute (FNii-Shenzhen)(深圳未来智能网络研究院(深圳FNii));School of Science and Engineering (SSE)(科学与工程学院);The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));Peng Cheng Laboratory(鹏城实验室);Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出利用语义知识库构建生成式语义通信架构,通过源、任务和信道三个子知识库实现低维高效语义表征与传输,为6G语义通信奠定基础。
2024-06-16 cs.AI cs.IT cs.NI
Semantic Communications via Features Identification
本研究提出一种基于特征识别的语义通信方法,利用语义歧义实现消息识别而非逐位传输,并通过数值模拟验证其相对传统语法通信的显著性能提升。
2025-03-26 cs.IT math.IT
Semantic Communications in Multi-user Wireless Networks
本文研究了多用户网络中语义通信的开发。我们提出了一种新的异构语义和比特多用户框架,提供完美的,定制的,智能的信息传输。我们讨论了正交多址接入(OMA)和非正交多址接入(NOMA)的建议异构框架,重点调查语义通信和NOMA之间的相互作用,即NOMA启用语义通信和语义通信增强NOMA。1)对于支持NOMA的语义通信,我们提出了一个半NOMA方案,有效地促进异构语义和比特多用户通信,它统一了传统的NOMA和OMA方案。的基本性能限制,即语义与比特率的区域,其特征在于,这表明所提出的半NOMA的优越性。2)对于语义通信增强的NOMA,我们提出了一个机会主义的语义和比特通信的方法,以减轻在NOMA的早,晚速率差距的问题。数值案例研究表明,显着的性能增益可以实现NOMA采用语义通信比位通信。最后,突出了几个开放的研究方向。
2022-11-16 cs.IT eess.SP math.IT
Communication Beyond Transmitting Bits: Semantics-Guided Source and Channel Coding
经典的通信模式专注于在有噪声的信道上准确地传输比特,香农理论为可靠通信的速率提供了基本的理论限制。在这种方法中,比特被平等对待,并且通信系统不知道这些比特传达什么含义或者它们将如何被使用。可以预见的是,未来的通信朝着智能和简洁的方向发展将发挥主导作用,连接智能代理的扩散需要对编码传输范式进行彻底的重新思考,以支持即将出现的新通信形态。最近提出的"语义通信"概念提供了一个很有前途的研究方向。在编码传输设计中引入语义指导,实现语义感知的通信,在有效性和可靠性方面有很大的突破潜力。本文提出了一种基于语义的信源编码和信道编码的语义通信传输模式,它利用了数据语义的多样性和无线信道的多样性来提高整个系统的性能。我们提出了一般的系统架构和关键技术,并指出了一些开放的问题,在这个主题。
2022-06-02 cs.IT math.IT
Computing Networks Enabled Semantic Communications
本文针对深度学习语义通信计算资源需求高的问题,提出计算网络使能的语义通信框架,通过云-边-端协同实现语义采样、信道编码与资源优化,并验证其优势。
2023-12-01 cs.IT math.IT
Secure Semantic Communication over Wiretap Channel
本文研究窃听信道下语义通信的安全传输问题,在语义保密与数据失真约束下给出率-失真-疑义度区域的一般内外界,并针对高斯源与高斯窃听信道进行约简和数值评估。
2024-10-21 cs.IT math.IT
Anti-jamming Communications Using Spectrum Waterfall: A Deep Reinforcement Learning Approach
本文研究了在动态未知环境下通过在线学习实现通信抗干扰的问题。与现有的研究需要知道(估计)干扰模式和参数不同,我们使用频谱瀑布,即,原始的频谱环境。首先,为了应对原始频谱信息无限状态的挑战,构造了一种深度抗干扰Q网络。然后,提出了一种深度抗干扰强化学习算法,以获得最优的抗干扰策略。仿真结果验证了所提方法的有效性。该方法仅依赖于局部观测信息,不需要估计干扰模式和参数,可广泛应用于各种抗干扰场景。
2017-10-13 cs.IT math.IT
On the Robustness of Deep Reinforcement Learning in IRS-Aided Wireless Communications Systems
University of Manitoba(曼尼托巴大学)
我们考虑一个智能反射面(IRS)辅助多输入单输出(MISO)系统的下行链路传输。我们比较了深度强化学习(DRL)和传统优化方法在寻找IRS元素的最佳相移以最大化用户信噪比(SNR)方面的性能。此外,我们评估这些方法的鲁棒性,以信道损伤和系统中的变化。我们证明数字DRL解决方案显示出更强的鲁棒性,噪声信道和用户的移动性。
2021-07-26 cs.IT cs.LG math.IT
Semantic Communication Challenges: Understanding Dos and Avoiding Don'ts
本文回顾语义通信方法论,揭示关键问题与分歧,通过阐明应做与不应做之事,为新兴的语义通信领域提供有价值的见解。
2024-03-22 cs.IT math.IT
Neural Coding Is Not Always Semantic: Toward the Standardized Coding Workflow in Semantic Communications
本文针对语义通信中神经编码是否足以理解语义的问题,提出语义编码的标准化定义和基于上下文建模的通用语义表示方案,以最小修改实现人机端到端传输。
2025-08-18 cs.IT math.IT
Secure Semantic Communications: Fundamentals and Challenges
语义通信允许接收方知道意图而不是比特信息本身,这是一种新兴的技术,以支持未来无线通信的实时人机和机器对机器交互。在语义通信中,发送方和接收方共享一些共同的知识,这些知识可以用于在发送方提取小尺寸信息并在接收方恢复原始信息。由于设计目的的不同,语义通信中的安全问题与标准的按位通信相比有两个独特的特点。首先,语义通信中的攻击者不仅考虑被盗数据的数量,而且考虑被盗数据的含义。其次,语义通信系统中的攻击者不仅可以攻击标准通信系统中进行的语义信息传输,而且可以攻击用于语义信息抽取的机器学习(ML)模型,因为大多数语义信息是使用基于ML的方法生成的。由于这些独特的功能,在本文中,我们提出了一个概述的基本原理和安全语义通信的设计中的关键挑战。我们首先提供各种方法来定义和提取语义信息。然后,我们重点研究了安全语义通信技术的两个方面:信息安全和语义ML模型安全。对于每个领域,我们都确定了主要问题和挑战。然后,我们将对这些问题进行全面的处理。简而言之,本文提供了一套关于如何在真实世界的无线通信网络上设计安全语义通信系统的整体指导方针。
2023-01-04 cs.IT eess.SP math.IT
Autoencoder-based Semantic Communication Systems with Relay Channels
在这封信中,我们提出了一个语义通信方案的无线中继信道的基础上自动编码器,命名为AESC,编码和解码的句子从语义维度。自动编码器模块为系统提供抗噪声性能。同时,提出了一种新的语义转发(SF)模式,使中继节点能够在语义层次上转发语义信息,特别适用于源节点和目的节点之间没有共享知识的情况。数值结果表明,AESC比传统的通信方案具有更好的稳定性能,而SF模式比传统的前向协议具有更好的性能增益.
2021-11-19 cs.IT math.IT
M4SC: An MLLM-based Multi-modal, Multi-task and Multi-user Semantic Communication System
本文提出基于多模态大语言模型的M4SC语义通信系统,通过KAN多模态对齐、指令驱动多任务微调、语义共享机制及联合编码策略,提升复杂环境下多模态多任务多用户语义通信的效率与鲁棒性。
2025-02-23 cs.IT math.IT
Excess Distortion Exponent Analysis for Semantic-Aware MIMO Communication Systems
本文分析了语义感知通信系统中联合信源-信道编码(JSCC)的超额失真指数。通过引入一个不可观测的语义源,我们将Csiszar的经典结果扩展到语义感知的通信系统。建立了离散无记忆源-通道对的指数的上界和下界。此外,推导出了MIMO系统的额外失真指数的扩展可达界。进一步的分析探讨了块衰落和天线数量如何影响语义感知MIMO系统的指数。我们的结果提供了一些理论界的错误衰减性能,并可以用来指导未来的语义通信与联合信源-信道编码方案。
2023-01-13 cs.IT math.IT
Holographic Beamforming for Semantic Communication
Princeton University(普林斯顿大学);Peking University Shenzhen Graduate School(北京大学深圳研究生院);University of Cambridge(剑桥大学);Peking University(北京大学);University of Houston(休斯顿大学);Kyung Hee University(庆熙大学);Xiangtan University(湘潭大学)
提出一种语义重要性感知的全息波束赋形方案,通过数据拟合建模语义重要性与接收信噪比的关系,并设计算法确保高重要性语义信息的可靠传输。
2026-06-23 cs.IT math.IT
Lyapunov-guided Deep Reinforcement Learning for Semantic-aware AoI Minimization in UAV-assisted Wireless Networks
本研究提出一种基于李雅普诺夫框架和分层深度强化学习的方法,联合优化无人机与地面用户关联、语义提取及轨迹,以最小化语义感知信息年龄(SAoI),兼顾信息新鲜度与语义价值,仿真验证其优于现有方案。
2024-09-20 cs.IT math.IT
End-to-End Generative Semantic Communication Powered by Shared Semantic Knowledge Base
针对测试压缩比偏低问题,提出共享 SKB 驱动的端到端生成式语义通信系统,仅传索引并支持可控图像生成,以极低开销在低 SNR 下优于基准。
2024-05-09 cs.IT math.IT
Learning Semantics: An Opportunity for Effective 6G Communications
CEA-Leti;Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学)
最近,语义通信被设想为未来6G网络的关键使能器。回到香农的信息论,长期以来,通信的目标一直是保证正确接收传输的信息,而不管它们的含义。然而,一般来说,每当通信发生传达一个意思,重要的是接收者的理解所传输的信息,而不一定是正确的重建。因此,语义通信引入了一种新的范式:只传输足够的相关信息,接收器捕获的意图可以节省显着的通信带宽。因此,这项工作探索了语义通信为超越5G网络提供的机会。特别是,我们专注于语义压缩的好处。我们把语义信息称为从“意义”底层数据中学习到的一系列格式良好的符号,这些符号必须在接收者处进行解释。这需要一个推理单元,这里是人工的,在知识库上:一个特定应用的符号知识表示。因此,我们提出并详细介绍了一种新的架构,使有效的语义通信的语义符号的表示学习。我们首先讨论理论方面,并成功地设计目标函数,这有助于学习有效的语义编码器和解码器。最后,我们展示了文本传输场景的有希望的数值结果,特别是当发送者和接收者说不同的语言时。
2021-10-14 cs.AI cs.CL cs.IT
Less Data, More Knowledge: Building Next Generation Semantic Communication Networks
Virginia Tech(弗吉尼亚理工大学);Technology Innovation Institute(技术创新研究院);CentraleSupelec(巴黎中央理工-高等电力学院);University Paris-Saclay(巴黎萨克雷大学);University of Houston(休斯顿大学);Kyung Hee University(庆熙大学);Princeton University(普林斯顿大学)
语义通信被认为是一种革命性的范式,可以潜在地改变我们如何设计和操作无线通信系统。然而,尽管最近在这一领域的研究活动激增,研究景观仍然有限。在本教程中,我们提出了一个可扩展的端到端语义通信网络的第一个严格的愿景,该网络建立在人工智能(AI),因果推理和通信理论的新概念基础上。我们首先讨论如何设计语义通信网络需要从数据驱动的网络转向知识驱动的。随后,我们强调了创建满足极简主义,概括性和效率的关键属性的数据语义表示的必要性,以便用更少的时间做更多的事情,然后我们解释这些表示如何形成所谓的语义语言的基础。通过使用语义表示和语言,我们表明,传统的发射器和接收器现在成为一个老师和学徒。然后,我们通过研究因果表示学习的基本原理及其在设计语义通信网络中的作用来定义推理的概念。我们证明了推理能力的主要特点是能够捕捉数据流中的因果关系和关联关系。对于这种推理驱动的网络,我们提出了新的和必要的语义通信指标,包括新的“推理能力”的措施,可以超越香农的约束,以捕捉计算和通信的融合。最后,我们解释了语义通信如何扩展到大规模网络(6G及以上)。简而言之,我们希望本教程提供关于如何正确构建、分析和部署未来语义通信网络的全面参考。
2022-11-25 cs.AI cs.IT cs.LG
Semantic Communications: Principles and Challenges
Queen Mary University of London(伦敦玛丽女王大学);Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Huawei Technologies(华为技术有限公司);Imperial College London(帝国理工学院)
语义交际被认为是对香农范式的突破,其目的是成功地传递信息源所传达的语义信息,而不是准确地接收每一个符号或比特,而不管其意义如何。本文提供了语义通信的概述。在简要回顾了Shannon信息论之后,我们讨论了深度学习支持的语义通信理论、框架和系统设计。与传统的通信系统的符号/比特出错率不同,本文还讨论了语义通信的性能指标。文章最后提出了语义通信中的几个开放性问题。
2022-06-27 cs.IT cs.LG eess.SP
From Semantic Communication to Semantic-aware Networking: Model, Architecture, and Open Problems
现有的通信系统主要是基于香农的信息论建立的,香农的信息论故意忽略了通信的语义方面。无线技术的最新迭代,即所谓的5G及以后,承诺支持基于内容,需求和语义精心定制的网络功能所实现的大量服务。这引起了人们对语义交流的极大兴趣,语义交流是一种将信息的意义纳入交流的新范式。在本文中,我们首先回顾了经典的语义通信框架,然后总结了阻碍其普及的关键挑战。我们观察到,一些语义通信过程,如语义检测,知识建模和协调,可以消耗资源和效率低下,特别是对于一个单一的源和目的地之间的通信。因此,我们提出了一种新的架构,基于联邦边缘智能支持资源高效的语义感知网络。我们的架构允许每个用户将计算密集型语义编码和解码任务卸载到边缘服务器,并通过中间结果协调来保护其专有的模型相关信息。仿真结果表明,该架构可以减少资源消耗,显著提高通信效率。
2021-06-23 cs.IT cs.NI cs.SI
Deep Graph Reinforcement Learning for UAV-Enabled Multi-User Secure Communications
本文提出深度图强化学习框架,通过GNN管理用户干扰并优化安全波束成形,结合软执行器-评论家算法指导无人机部署,实现近乎最优的安全性能与策略效率。
2025-04-02 cs.IT eess.SP math.IT
Robust Semantic Communications Against Semantic Noise
Zhejiang University(浙江大学);Queen Mary University of London(伦敦玛丽女王大学);Imperial College London(伦敦帝国理工学院)
虽然语义通信在大量的任务中表现出令人满意的性能,但语义噪声的影响和系统的鲁棒性还没有得到很好的研究。语义噪声是语义通信系统中的一种特殊噪声,指的是语义符号与接收符号之间的误导。在本文中,我们首先提出了一个框架,鲁棒的端到端的语义通信系统,以打击语义噪声。特别地,我们分析了语义噪声产生的原因,并提出了一种实用的语义噪声产生方法,为了消除语义噪声的影响,我们提出了对抗性训练,将带有语义噪声的样本加入训练数据集中。然后,掩蔽自动编码器(MAE)被设计为一个强大的语义通信系统的架构,其中一部分的输入被屏蔽。为了进一步提高语义通信系统的鲁棒性,本文首先采用矢量量化-变分自编码器(VQ-VAE)设计了一个发送端和接收端共享的离散码本,用于编码特征表示。因此,发射机仅需要在码本中发送这些特征的索引。仿真结果表明,我们提出的方法显着提高了语义通信系统对语义噪声的鲁棒性与显着减少的传输开销。
2022-05-22 cs.IT cs.LG eess.SP