FSSC：用于语义图像通信的 Transformer 神经网络的联邦学习
原文中文，约1700字，阅读约需5分钟。
📝
内容提要
本文提出了一种基于联邦学习的语义通信框架（FLSC），旨在改善多任务分布式图像传输。仿真实验表明，FLSC在低信噪比和信道带宽条件下表现优异。同时，结合深度学习的多分辨率联合源信道编码（JSCC）方法提升了语义特征提取能力。此外，个性化语义通信的联邦对比学习框架（FedCL）在低信噪比环境下也表现出色。
🔎
延伸解读
低信噪比与带宽受限下的性能优势
FLSC在低信噪比和信道带宽比场景中明显优于传统方案，这得益于其基于分层视觉变换器的提取器和任务自适应翻译器。对于实际部署而言，这意味着在信道条件恶劣时，语义通信仍能保持较好的多任务图像传输质量，减少对高带宽的依赖。
多分辨率JSCC对语义特征提取的增强
基于深度学习的多分辨率联合源信道编码（JSCC）框架通过多任务学习，能有效编码解码不同分辨率数据，突破了传统分离源信道编码在有限块长度下的次优性。这提升了语义特征的提取和保留能力，使语义通信在多变分辨率需求下更具潜力。
FedCL解决语义不平衡的机制
FedCL框架通过对比学习训练语义质心生成器，获得具有内语义紧凑性和跨语义可分离性的全局语义质心，为本地语义特征学习提供监督。这解决了分布式客户端间异构数据集导致的语义不平衡问题，且支持异构语义编码器，无需客户端模型聚合。
❓
Q&A
FLSC框架的主要目标是什么？
FLSC框架旨在通过全局聚合改善多任务分布式图像传输。
FLSC在低信噪比环境下的表现如何？
FLSC在低信噪比和信道带宽条件下表现优异，明显优于传统方案。
什么是多分辨率联合源信道编码（JSCC）？
JSCC是一种结合深度学习的编码方法，有效编码和解码不同分辨率的数据，提升语义特征提取能力。
FedCL框架如何解决语义不平衡问题？
FedCL通过对比学习训练语义质心生成器，获得代表性的全局语义质心，从而解决分布式客户端间的语义不平衡问题。
FLSC框架的仿真实验结果如何？
仿真实验结果表明，FLSC在粗略语义信息方面表现优秀，尤其在低信噪比条件下。
个性化语义通信的优势是什么？
个性化语义通信的联邦对比学习框架（FedCL）在低信噪比环境下表现出色，支持异构语义编码器。
🏷️
