基于信息瓶颈和联邦元学习的任务不可知语义通信

《IEEE Transactions on Wireless Communications》：Task-Agnostic Semantic Communications Relying on Information Bottleneck and Federated Meta-Learning

语义通信在资源受限无线网络中面临挑战，本文提出TASC框架，通过分布式多模态信息瓶颈提取最小语义表示，结合自适应特征传输和联邦元学习实现高效训练，设计联合用户选择与资源分配算法优化系统性能，仿真验证其有效性。

　　

摘要：

作为向普适智能转变的一个范例，语义通信（SemCom）在提高通信效率和提供以用户为中心的服务方面展现出了巨大潜力，它通过传递任务导向的语义信息来实现这一目标。然而，连接设备的数量、数据量以及通信需求的指数级增长给实际的语义通信设计带来了重大挑战，尤其是在资源受限的无线网络中。在这项工作中，我们提出了一种与任务无关的语义通信（TASC）框架，该框架能够支持多种任务下的多模态数据传输。为了从信息论的角度研究通信与智能任务之间的相互作用，我们引入了分布式多模态信息瓶颈（DMIB）原理，该原理能够在保留与任务相关的语义的同时，通过消除冗余信息来提取最小且充分的单模态和多模态表示。为了进一步降低通信开销，我们开发了一种在动态信道条件下自适应的语义特征传输方法。随后，基于联邦元学习（FML）对TASC框架进行训练，以获得一个初始化良好的模型，从而实现快速适应和泛化。为了获得更深入的见解，我们进行了理论分析，并设计了资源管理机制，以加速收敛过程，同时最小化训练延迟和能源成本。此外，我们还开发了一种联合用户选择和资源分配算法，用于解决具有理论保证的非凸问题。广泛的仿真结果验证了所提出的TASC框架相较于基线方案的有效性和优越性。