[论文解读] 6G Networks: Beyond Shannon Towards Semantic and Goal-Oriented Communications

Emilio Calvanese Strinati, Sergio Barbarossa|arXiv (Cornell University)|Nov 4, 2020

Wireless Signal Modulation Classification被引用 6

一句话总结

本文提出6G网络范式转变，从香农传统的比特可靠性模型转向语义化与目标导向通信，系统仅传输与语义相关的信息，结合知识感知的机器学习。通过整合语义、推理与目标，该方法在不增加带宽或能耗的前提下，提升效率、可持续性与鲁棒性，实现更智能、上下文感知的通信。

ABSTRACT

The goal of this paper is to promote the idea that including semantic and goal-oriented aspects in future 6G networks can produce a significant leap forward in terms of system effectiveness and sustainability. Semantic communication goes beyond the common Shannon paradigm of guaranteeing the correct reception of each single transmitted packet, irrespective of the meaning conveyed by the packet. The idea is that, whenever communication occurs to convey meaning or to accomplish a goal, what really matters is the impact that the correct reception/interpretation of a packet is going to have on the goal accomplishment. Focusing on semantic and goal-oriented aspects, and possibly combining them, helps to identify the relevant information, i.e. the information strictly necessary to recover the meaning intended by the transmitter or to accomplish a goal. Combining knowledge representation and reasoning tools with machine learning algorithms paves the way to build semantic learning strategies enabling current machine learning algorithms to achieve better interpretation capabilities and contrast adversarial attacks. 6G semantic networks can bring semantic learning mechanisms at the edge of the network and, at the same time, semantic learning can help 6G networks to improve their efficiency and sustainability.

研究动机与目标

• 通过超越香农的比特中心模型，应对无线网络中日益严重的资源稀缺问题。
• 将语义化与目标导向通信作为6G的核心设计原则，以提升系统有效性与可持续性。
• 克服当前深度学习模型依赖表面相关性而非有意义解释的局限性。
• 使网络节点能够利用共享知识库与上下文感知推理，对传输信息进行推理。
• 构建一种以语义影响与目标达成度衡量通信效率的框架，而非仅依赖误码率。

提出的方法

• 将知识表示与推理（KRR）系统集成至网络节点，以解释与上下文化传输数据。
• 结合机器学习与演绎推理，实现从纯归纳学习向混合归纳-演绎学习策略的转变。
• 使用融合语言逻辑的语义自编码器，仅压缩与传输语义相关的信息。
• 在网路边缘实施迁移学习与知识共享，以提升模型泛化能力并减少冗余。
• 设计通信协议，根据信息对预设目标或预期意义的相关性进行优先级排序。
• 利用多接入边缘计算（MEC）在网路边缘部署语义学习，实现低时延、上下文感知的处理。

实验结果

研究问题

• RQ1 6G网络如何通过聚焦语义意义而非原始比特传输，实现更高的效率与可持续性？
• RQ2 知识表示与推理在使机器学习模型在通信系统中更具鲁棒性与可解释性方面发挥何种作用？
• RQ3 与传统方法相比，目标导向通信在多大程度上可减少对过度频谱与能量资源的需求？
• RQ4 如何将语义学习机制整合至分布式6G网络架构中，以提升决策能力并降低数据开销？
• RQ5 未来无线网络中实现上下文感知、意义驱动通信的架构与算法需求是什么？

主要发现

• 语义化与目标导向通信可通过仅聚焦于与预期意义或目标相关的信息，显著减少传输数据量。
• 将知识表示与机器学习结合，可使系统对上下文进行推理，降低脆弱性，并提升对对抗性攻击的鲁棒性。
• 所提出的框架通过仅传输与处理语义上有意义的数据，实现更高效的网络资源利用，增强可持续性。
• 受人类认知启发的混合归纳-演绎学习策略，相比纯数据驱动方法，可产生更可靠且更具泛化能力的模型。
• 在网路边缘实现的分布式语义学习可实现低时延、上下文感知的决策，对自动驾驶与工业物联网等实时应用至关重要。
• 从香农的技术问题转向有效性问题（即通信对目标达成的影响）重新定义了通信网络的成功标准，超越了无误传输的范畴。