[论文解读] Bandwidth and Power Allocation for Task-Oriented SemanticCommunication

Chuanhong Liu, Caili Guo+2 more|arXiv (Cornell University)|Jan 26, 2022

Wireless Signal Modulation Classification被引用 7

一句话总结

本文提出了一种面向任务导向语义通信的联合压缩比与资源分配（CRRA）算法，通过优化带宽和功率以最大化AI任务性能。通过将非凸问题分解为压缩比优化与通过连续凸逼近法实现的凸资源分配，该方法相比基线方法在AI准确率上最高提升30%，尤其在低资源环境下表现显著。

ABSTRACT

Deep learning enabled semantic communication has been studied to improve communication efficiency while guaranteeing intelligent task performance. Different from conventional communications systems, the resource allocation in semantic communications no longer just pursues the bit transmission rate, but focuses on how to better compress and transmit semantic to complete subsequent intelligent tasks. This paper aims to appropriately allocate the bandwidth and power for artificial intelligence (AI) task-oriented semantic communication and proposes a joint compressiom ratio and resource allocation (CRRA) algorithm. We first analyze the relationship between the AI task's performance and the semantic information. Then, to optimize the AI task's perfomance under resource constraints, a bandwidth and power allocation problem is formulated. The problem is first separated into two subproblems due to the non-convexity. The first subproblem is a compression ratio optimization problem with a given resource allocation scheme, which is solved by a enumeration algorithm. The second subproblem is to find the optimal resource allocation scheme, which is transformed into a convex problem by successive convex approximation method, and solved by a convex optimization method. The optimal semantic compression ratio and resource allocation scheme are obtained by iteratively solving these two subproblems. Simulation results show that the proposed algorithm can efficiently improve the AI task's performance by up to 30\% comprared with baselines.

研究动机与目标

• 为解决语义通信系统中缺乏针对AI任务性能的资源分配策略的问题。
• 确定语义压缩比与通信资源分配（带宽与功率）之间的最优权衡。
• 在带宽和发射功率受限条件下最大化AI任务性能。
• 构建一个同时考虑语义压缩与物理层资源分配的联合优化框架。

提出的方法

• 由于非凸性，将问题分解为两个子问题：在资源固定时优化压缩比，以及在压缩比固定时优化资源分配。
• 通过枚举算法求解压缩比子问题，以针对给定的资源分配确定最优压缩比。
• 利用连续凸逼近（SCA）将资源分配子问题转化为凸问题，从而可通过凸优化高效求解。
• 通过迭代更新压缩比与资源分配直至收敛，结合枚举与凸优化方法。
• 使用对数与指数近似方法，将延迟、功率与频谱效率等约束建模并重述为凸形式。
• 最终问题通过对偶方法求解，迭代更新变量直至收敛。

实验结果

研究问题

• RQ1 语义压缩比如何影响下游AI任务的性能？
• RQ2 在语义通信中，为最大化AI任务性能，最优的带宽与功率分配策略是什么？
• RQ3 与独立或传统方案相比，压缩比与资源分配的联合优化如何提升系统性能？
• RQ4 所提方法是否能在低带宽或低功率环境中实现显著性能提升？

主要发现

• 所提CRRA算法相比基线方案在AI任务准确率上最高提升30%，尤其在低带宽与低功率环境下表现突出。
• 在最大带宽与发射功率水平变化的多种条件下，CRRA的平均有效准确率始终优于FCR、FRA与MSR。
• 传统资源分配方案（如MSR）虽以最大化和速率为目标，但在语义通信中表现欠佳，因其忽略了语义相关性与任务性能。
• 即使在极低发射功率（如1 mW）条件下，该算法仍保持高性能，表明其在低功耗物联网与AIoT应用中具有高度适用性。
• 性能增益在低资源区域最为显著，证实了动态压缩与资源分配的价值。