基于知识库复用的存储可扩展渐进式语义通信
Storage-Scalable Progressive Semantic Communication via Knowledge-Base Reuse
浏览论文内容
中文总结 AI 辅助
针对知识库辅助语义通信中存储开销随传输深度线性增长的问题，提出知识库复用量化（SSKBQ）方法，通过跨阶段复用紧凑知识库解耦阶段数与库数，并引入阶段感知残差监督，在保持渐进重建性能的同时实现存储可扩展。
中文摘要 AI 辅助
现有的基于知识库的语义通信方案通常采用单一知识库量化（SKBQ）或多知识库残差量化（MKBQ）。SKBQ的存储开销有限，但量化能力受限；而MKBQ通过为每个阶段分配独立的知识库（KB）来支持渐进式细化，导致知识库存储随传输深度线性增长。为解决这一问题，我们提出了存储可扩展的知识库复用量化（SSKBQ），该方法在多个残差细化阶段复用一组紧凑的知识库，从而将传输阶段的数量与维护的知识库数量解耦。此外，我们引入了一种阶段感知的残差监督机制，以正则化中间量化表示并促进渐进式细化。实验结果表明，知识库复用在保持有竞争力的渐进式重建性能的同时，为存储可扩展性问题提供了有效的解决方案。
英文摘要
Existing knowledge-base-assisted semantic communication schemes commonly adopt either single knowledge-base quantization (SKBQ) or multi-knowledge-base residual quantization (MKBQ). SKBQ incurs limited storage overhead but has restricted quantization capacity, whereas MKBQ supports progressive refinement by assigning an independent knowledge base (KB) to each stage, causing the KB storage to grow linearly with the transmission depth. To address this problem, we propose storage-scalable knowledge-base reuse quantization (SSKBQ), which reuses a compact set of KBs across multiple residual refinement stages and thereby decouples the number of transmission stages from the number of maintained KBs. A stage-aware residual supervision mechanism is further introduced to regularize intermediate quantized representations and encourage progressive refinement. Experimental results demonstrate that KB reuse provides an effective solution to the storage scalability problem while maintaining competitive progressive reconstruction performance.
发表机构
- College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大学计算机科学与技术学院）
机构由 AI 辅助整理，请以论文原文为准。
