[论文解读] Semantic Communication-Enhanced Split Federated Learning for Vehicular Networks: Architecture, Challenges, and Case Study

Lu Yu, Zheng Chang+1 more|arXiv (Cornell University)|Mar 5, 2026

Privacy-Preserving Technologies in Data被引用 0

一句话总结

本文提出了 SC-USFL，一种面向车载网络的语义通信增强的 U 形分割联邦学习框架，整合了一个预训练的冻结语义编码/解码模块和一个网络状态监视器，以自适应压缩并传输与任务相关的信息，在降低上行开销的同时保持标签隐私。

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.

研究动机与目标

• 通过分布式学习凸显降低 VEI 通信开销与隐私风险的需求。
• 提出一个语义通信集成的 SFL 框架，在动态车载网络中实现效率、隐私与学习性能之间的平衡。
• 在 U 形 SFL 框架中展示一个具体案例研究（SC-USFL），以说明实际收益与设计原则。

提出的方法

• 提出 SC-USFL，一个具有预训练、参数冻结的编码/解码单元的语义通信模块（SCM），用于上行特征压缩。
• 将 SCM 融入 U-Shaped Split Federated Learning（U-SFL）架构，以本地化标签处理并减少数据传输。
• 引入网络状态监视器（NSM），基于实时信道条件自适应调整语义压缩率。
• 使用深度联合源通道编码（Deep JSCC）进行端到端的语义特征编码和鲁棒上行传输。
• 通过将尾部模块保持在设备端来维持隐私，在 U-SFL 拓扑中保护标签隐私。
• 在以 CIFAR-10 为基础的图像分类案例研究中，考虑 AWGN 和 Rayleigh 信道，评估 SC-USFL 相对于 FL、SFL、USFL 以及集中/本地基线的性能。

实验结果

研究问题

• RQ1 如何将语义通信与分割联邦学习结合，以降低车载网络中的上行传输开销？
• RQ2 在动态无线信道下，结合冻结 SCM 的 U 形 SFL 架构是否能够在保护标签隐私的同时提升学习效率？
• RQ3 应如何设计自适应语义压缩以在任务性能与通信延迟之间取得平衡？
• RQ4 信道条件（AWGN 与 Rayleigh）及压缩比对 SC-USFL 的准确率与延迟有何影响？

主要发现

• SC-USFL 在保持竞争性准确性的同时，实现了比传统 FL、SFL、USFL 基线更低的通信延迟。
• 更强的语义压缩会降低数据传输量，但会增加语义失真并可能影响任务性能，凸显自适应压缩的必要性。
• NSM 支持的动态压缩能够根据实时信道条件自适应，提升在 AWGN 与 Rayleigh 信道下的鲁棒性。
• 预训练、冻结的 SCM 避免了梯度传输开销，稳定了 SC-USFL 的分布式训练。
• U-SFL 的隐私设计（尾部在设备端本地）确保标签不会传输给执行服务器，保护所提出框架中的标签隐私。