[논문 리뷰] Semantic Communication-Enhanced Split Federated Learning for Vehicular Networks: Architecture, Challenges, and Case Study

Lu Yu, Zheng Chang외 1명|arXiv (Cornell University)|2026. 03. 05.

Privacy-Preserving Technologies in Data인용 수 0

한 줄 요약

논문은 SC-USFL을 소개합니다. 의미통신이 강화된 U자형 스플릿 페더레이티드 러닝 프레임워크를 차량 네트워크에 적용하고, 사전 학습된 고정된 의미 인코딩/디코딩 모듈과 네트워크 상태 모니터를 통합하여 작업 관련 정보를 적응적으로 압축하고 전송함으로써 업링크 오버헤드를 감소시키되 레이블 프라이버시는 보존합니다.

ABSTRACT

Vehicular edge intelligence (VEI) is vital for future intelligent transportation systems. However, traditional centralized learning in dynamic vehicular networks faces significant communication overhead and privacy risks. Split federated learning (SFL) offers a distributed solution but is often hindered by substantial communication bottlenecks from transmitting high-dimensional intermediate features and can present label privacy concerns. Semantic communication offers a transformative approach to alleviate these communication challenges in SFL by focusing on transmitting only task-relevant information. This paper leverages the advantages of semantic communication in the design of SFL, and presents a case study the semantic communication-enhanced U-Shaped split federated learning (SC-USFL) framework that inherently enhances label privacy by localizing sensitive computations with reduced overhead. It features a dedicated semantic communication module (SCM), with pre-trained and parameter-frozen encoding/decoding units, to efficiently compress and transmit only the task-relevant semantic information over the critical uplink path from vehicular users to the edge server (ES). Furthermore, a network status monitor (NSM) module enables adaptive adjustment of the semantic compression rate in real-time response to fluctuating wireless channel conditions. The SC-USFL framework demonstrates a promising approach for efficiently balancing communication load, preserving privacy, and maintaining learning performance in resource-constrained vehicular environments. Finally, this paper highlights key open research directions to further advance the synergy between semantic communication and SFL in the vehicular network.

연구 동기 및 목표

• Distributed learning을 통해 VEI에서 통신 오버헤드와 프라이버시 위험을 감소시킬 필요성을 동기로 삼는다.
• 동적 차량 네트워크에서 효율성, 프라이버시, 학습 성능의 균형을 맞추기 위해 의미통신이 통합된 SFL 프레임워크를 제안한다.
• 실용적 이득과 설계 원칙을 설명하기 위해 U자형 SFL 내에서 구체적인 사례 연구(SC-USFL)를 시연한다.

제안 방법

• SC-USFL을 도입한다. 업링크 특징 압축을 위한 사전 학습된 매개변수 고정 인코딩/디코딩 유닛을 갖춘 의미통신 모듈(SCM).
• SCM을 U-자형 스플릿 연합 학습(U-SFL) 구조에 내재화하여 라벨 처리를 로컬화하고 데이터 전송을 감소시킨다.
• 실시간 채널 조건에 따라 의미 압축률을 적응적으로 조정하기 위해 네트워크 상태 모니터(NSM)를 도입한다.
• 종단 간 의미 특징 인코딩 및 강건한 업링크 전송을 위해 Deep JSCC를 사용한다.
• 레이블 프라이버시를 보존하기 위해 꼬리 모듈을 디바이스에 유지하여 프라이버시를 유지한다.
• AWGN 및 Rayleigh 채널을 사용하는 CIFAR-10 기반 이미지 분류 사례 연구를 통해 SC-USFL의 성능을 FL, SFL, USFL 및 중앙집중형/로컬 기준선과 비교하여 평가한다.

실험 결과

연구 질문

• RQ1 의미통신을 스플릿 페더레이션 학습과 어떻게 통합하여 차량 네트워크에서 업링크 전송 오버헤드를 감소시킬 수 있는가?
• RQ2 얼어붙은 SCM과 결합된 U자형 SFL 아키텍처가 동적 무선 채널 아래에서 학습 효율성을 향상시키면서 레이블 프라이버시를 보존할 수 있는가?
• RQ3 VEI에서 작업 성능과 통신 지연 간의 균형을 맞추기 위해 적응적 의미 압축은 어떻게 설계되어야 하는가?
• RQ4 SC-USFL에서 채널 조건(AWGN 대 Rayleigh)과 압축 비율이 정확도와 지연에 미치는 영향은 무엇인가?

주요 결과

• SC-USFL은 전통적 FL, SFL 및 USFL 기준선보다 더 낮은 통신 지연을 달성하면서도 경쟁력 있는 정확도를 유지한다.
• 더 강한 의미 압축은 데이터 전송을 줄이나 의미 왜곡을 증가시켜 작업 성능에 영향을 줄 수 있으며 적응적 압축의 필요성을 강조한다.
• NSM 활성화 동적 압축은 실시간 채널 조건에 적응하여 AWGN 및 Rayleigh 채널 전반에 걸친 강인성을 향상시킨다.
• 사전 학습되고 고정된 SCM은 그래디언트 전송 오버헤드를 피하고 SC-USFL에서 분산 학습을 안정화한다.
• U-SFL 프라이버시 설계(로컬 tail이 디바이스에 남아 있어 ES로 레이블이 전송되지 않도록 하여 제안된 프레임워크에서 레이블 프라이버시를 보존한다.