基于联邦学习的图像语义通信系统OA

作为一种全新的通信范式,语义通信旨在提取并传递数据源中的语义信息而不是符号级的精确传输,极大地提高了通信效率,为6G移动通信提供了新思路。针对未来万物智联场景,为实现模型在多用户之间有效训练、动态更新、及时分发,同时在提供隐私保护的前提下充分利用广泛分布的用户数据,首先构建基于自编码器的图像语义通信系统,然后提出利用联邦学习对语义通信系统进行分布式的训练、更新和分发,为了进一步减少学习过程中模型频繁更新带来的巨大通信负载,根据模型更新前后参数差值动态范围较小(-0.1~0.1)的特点,提出针对模型差值更新的、包含放大,取整,边界限制,缩小共4步的量化方案。仿真结果表明,通过联邦学习训练得到的语义通信模型在图像恢复以及下游语义任务两方面的性能均接近集中训练的,且所提的量化方案在几乎不影响模型性能的情况下减少模型更新过程75%的通信负载。