LaMI-GO：基于潜在混合模型的目标导向通信技术，实现高效频谱利用

《IEEE Transactions on Neural Networks and Learning Systems》：LaMI-GO: Latent Mixture Integration for Goal-Oriented Communications Achieving High Spectrum Efficiency

语义通信的兴起推动了目标导向通信（GO-COM）的发展，该框架利用AI工具提升带宽效率，适用于边缘计算和物联网。LaMI-GO框架结合潜在扩散模型和VQGAN，通过训练接收端通用特征码本，在感知质量、任务准确性和带宽消耗上显著优于现有系统。

　　

摘要：

近年来，语义化通信方式的兴起推动了目标导向通信（GO-COMs）的发展，使得多媒体信息传输变得更加高效。GO-COMs的概念利用先进的人工智能（AI）工具来满足在边缘计算和物联网（IoT）等应用中对带宽效率日益增长的需求。与传统专注于源数据准确性的通信系统不同，GO-COMs提供了智能的消息传递方式，以满足接收端完成下游任务所需的特殊需求。在这项工作中，我们提出了一个新颖的GO-COM框架——LaMI-GO，该框架利用新兴的生成式AI技术来实现更高的服务质量（QoS）和超高的通信效率。具体而言，我们的LaMI-GO系统架构基于潜在扩散模型，并结合了向量量化生成对抗网络（VQGAN）来实现高效的潜在嵌入和信息表示。该系统为接收端生成了一个通用的特征代码本。实验结果表明，与现有的GO-COM系统相比，我们的方案在感知质量、下游任务准确性和带宽消耗方面都有显著提升，充分证明了所提出的LaMI-GO通信框架的强大性能。