基于延迟驱动的联合特征提取与资源分配技术，用于多任务多接入语义通信

《IEEE Journal on Selected Areas in Communications》：Latency-Driven Joint Feature Extraction and Resource Allocation for Multi-Task Multi-Access Semantic Communications

语义通信通过传递语义信息而非原始比特流提升任务效率，但实时多任务场景下仍面临低延迟和高可靠性挑战。本文提出基于延迟驱动的多任务语义通信框架，通过参数共享策略和自适应混合精度压缩模块优化边缘服务器与多用户间的实时通信，结合有限块长编码提升传输可靠性，并建立联合优化模型以最大化任务成功概率。仿真验证了其在实时计算机视觉任务中的高效性。

　　

摘要：

语义通信在提高任务完成效率方面取得了巨大进展，它不再直接传输比特数据，而是通过更高效的方式实现信息传递。然而，在实时智能通信领域仍存在诸多挑战，这类通信要求极低的延迟以及对海量数据的快速理解能力。在本文中，我们提出了一种基于延迟驱动的设计方案，旨在促进实时多任务多接入语义通信的发展。具体而言，我们研究了一个基于深度学习的框架，用于处理多接入场景，其中多个具有不同延迟需求的用户持续从边缘服务器请求实时语义更新。我们选取了两种典型的基于图像的语义任务——图像分类和对象检测——作为多任务的代表示例。由于实时系统对低延迟有严格要求，因此有限块长度（FBL）编码的应用成为重要考虑因素，我们分析了FBL对传输可靠性的影响。为了满足低延迟需求，我们采用了一种参数共享策略应用于多任务计算机视觉（CV）场景，并设计了一个自适应混合精度压缩模块以实现有效的特征压缩。该设计的目标是通过联合优化特征提取、混合精度量化比特选择、传输功率分配和语义解码，来最大化所有用户的最小加权任务成功概率。为了便于整体联合优化，我们提出了一种高效的最优决策方法，用于联合量化比特选择和功率分配，该方法被整合到深度学习过程中以实现自适应特征提取。仿真结果验证了我们提出的基于延迟驱动的设计在实时多任务CV应用中的良好性能，以及我们提出的高效资源分配方案在实时通信调度中的显著优势。

引言

语义通信在下一代无线通信中受到了广泛关注。与传统通信系统不同，传统系统侧重于优化比特级性能指标和传输原始比特数据，而语义通信旨在传输具有语义意义的信息，从而直接减少数据量[1]、[2]。实际上，现有的通信技术已经接近香农物理层容量极限。然而，随着通信形式从音频信号传输转变为实时交互系统（如实时视频通话、实时直播、虚拟现实（VR）、增强现实（AR）和自动驾驶系统等），对先进通信技术的需求日益增长。随着这些应用的发展，实时计算机视觉（CV）成为了一个关键且紧迫的研究领域，因为它需要即时情境感知或响应[3]。因此，通信系统被期望满足更多关键要求[4]、[5]，例如高吞吐量、高效的信道利用率和带宽利用、在高速场景下的高可靠性以及极低的延迟。通过提供有意义且目标导向的信息，语义通信在提升这些系统效率方面发挥着重要作用。为了实现快速识别和准确提取语义信息的目标，以及融合多模态数据和增强系统可扩展性，人工智能（AI）为语义通信的发展做出了重要贡献[6]、[7]。在CV任务中，已经引入了强化学习（RL）、联邦学习（FL）和深度学习（DL）等技术[8]、[9]、[10]。有研究探讨了如何在通信噪声背景下实现高效的特征提取和带宽利用[11]，还有研究提出了基于图像分割的语义通信方法，用于在真实交通场景中传输重要对象[12]。此外，考虑到可能存在多个CV任务同时运行的情况，也有相关研究关注语义通信中的多任务学习[13]、[14]。这些研究利用了模型共享和多任务间相关性带来的优势，实现了内存减少和资源高效利用。