[论文解读] Goal-Oriented Communications for the IoT and Application to Data Compression

Zhang, Chao, Hui Zou+4 more|arXiv (Cornell University)|Nov 10, 2022

Age of Information Optimization被引用 7

一句话总结

本文提出了一种面向物联网（IoT）系统的面向目标（GO）通信框架，该框架以任务特定效用优先于信号保真度，显著提升了数据压缩效率。通过将信号处理（如量化和聚类）与接收方的最终决策目标对齐，该方法在所需聚类数上实现了最高15倍的减少，并在频谱效率方面取得了显著提升，证明了语义感知压缩优于传统的基于失真度的方法。

ABSTRACT

Internet of Things (IoT) devices will play an important role in emerging applications, since their sensing, actuation, processing, and wireless communication capabilities stimulate data collection, transmission and decision processes of smart applications. However, new challenges arise from the widespread popularity of IoT devices, including the need for processing more complicated data structures and high dimensional data/signals. The unprecedented volume, heterogeneity, and velocity of IoT data calls for a communication paradigm shift from a search for accuracy or fidelity to semantics extraction and goal accomplishment. In this paper, we provide a partial but insightful overview of recent research efforts in this newly formed area of goal-oriented (GO) and semantic communications, focusing on the problem of GO data compression for IoT applications.

研究动机与目标

• 为解决传统物联网通信的低效问题，即无论接收方任务需求如何，均传输完整信号。
• 通过将通信建模为效用驱动而非保真度驱动的过程，统一面向目标与语义通信范式。
• 证明基于面向目标的信号处理（尤其是压缩与聚类）在物联网应用中优于传统方法。
• 提供一种设计符合GO标准的信号处理器的框架，以最小化冗余数据并最大化目标达成。
• 识别未来物联网部署中动态、多目标及自适应GO通信系统的关键开放挑战。

提出的方法

• 将面向目标通信形式化为效用最大化问题，其中发送方根据数据对接收方决策任务的相关性进行编码。
• 通过将量化和聚类建模为相对于最终决策目标损失最小化的优化问题，将GO原则应用于数据压缩。
• 利用机器学习与神经符号AI推断因果结构与语义重要性，实现基于推理的数据传输。
• 提出一种框架，通过针对接收方目标量身定制的效用函数，联合优化采样、量化与聚类。
• 采用动态系统建模与微分方程，捕捉随时间演化的目标中的时间依赖性。
• 提出迁移学习与自适应机制，以在无需从头重新训练的情况下处理序列性或未知的未来目标。

实验结果

研究问题

• RQ1 如何通过将数据传输与接收方的最终决策目标对齐而非信号保真度，来提升物联网中的通信效率？
• RQ2 与传统基于失真度或基于聚类的方法相比，基于GO的数据压缩与聚类在性能上有哪些提升？
• RQ3 如何在通信系统中建模并利用数据的语义重要性与因果结构，以减少冗余传输？
• RQ4 在动态物联网环境中设计自适应、多目标GO通信系统的关键技术挑战是什么？
• RQ5 神经符号AI与推理机制能否增强物联网中面向目标的语义通信效率？

主要发现

• 与传统方法相比，GO量化可将量化区域数量减少最多15倍，同时保持相同的相对最优损失。
• 在峰值功率最小化场景下，GO聚类仅用两个聚类即可实现20%的最优损失，而传统方法需15个聚类才能达到相同性能。
• 所提出的GO框架通过仅传输语义相关的信息，在频谱效率和资源节约方面取得了显著提升。
• 神经符号AI的集成使设备能够基于数据进行推理，减少不必要的数据传输，提升通信效率。
• 通过自适应学习与迁移学习，该框架支持动态与多目标场景，避免了昂贵的重新训练。
• 理论与实证结果证实，在物联网应用中，效用驱动通信优于传统的保真度驱动模型。