[论文解读] Spiking Semantic Communication for Feature Transmission with HARQ

Mengyang Wang, Jiahui Li+2 more|arXiv (Cornell University)|Oct 13, 2023

Advanced Memory and Neural ComputingEngineering被引用 3

一句话总结

本文提出SNN-SC-HARQ，一种基于脉冲神经网络的语义通信框架，通过混合自动重传请求（HARQ）机制动态调整传输带宽。通过使用语义相似度估计器（SimNet）指导重传决策，实现无需性能损失的自适应带宽调节，优于固定带宽模型，并在恶劣信道条件下避免了传统编码方案的“悬崖效应”。

ABSTRACT

In Collaborative Intelligence (CI), the Artificial Intelligence (AI) model is divided between the edge and the cloud, with intermediate features being sent from the edge to the cloud for inference. Several deep learning-based Semantic Communication (SC) models have been proposed to reduce feature transmission overhead and mitigate channel noise interference. Previous research has demonstrated that Spiking Neural Network (SNN)-based SC models exhibit greater robustness on digital channels compared to Deep Neural Network (DNN)-based SC models. However, the existing SNN-based SC models require fixed time steps, resulting in fixed transmission bandwidths that cannot be adaptively adjusted based on channel conditions. To address this issue, this paper introduces a novel SC model called SNN-SC-HARQ, which combines the SNN-based SC model with the Hybrid Automatic Repeat Request (HARQ) mechanism. SNN-SC-HARQ comprises an SNN-based SC model that supports the transmission of features at varying bandwidths, along with a policy model that determines the appropriate bandwidth. Experimental results show that SNN-SC-HARQ can dynamically adjust the bandwidth according to the channel conditions without performance loss.

研究动机与目标

• 解决现有基于SNN的语义通信模型在协作智能中特征共享时固定带宽传输的局限性。
• 通过引入语义级重传机制，克服传统编码方案（如LDPC）在高误比特率下出现的“悬崖效应”。
• 在无需多个编解码器模型的前提下实现动态带宽自适应，降低存储与计算开销。
• 开发一种与下游任务性能相关联的语义相似度度量，以自主指导传输决策。
• 在等效带宽条件下，实现与人工调优的多速率模型相当的性能，同时支持对不同信道条件的实时自适应。

提出的方法

• 集成一个多速率SNN-SC模型，通过单一学习架构在不同时间步长（即带宽）下重建特征。
• 设计SimNet，一种两部分网络（SimNet_E与SimNet_D），利用脉冲表示估计原始特征与重建特征之间的语义相似度。
• 将估计的语义相似度作为决策指标，触发HARQ重传：若相似度超过阈值，则发送ACK；否则发送NACK并增加时间步长。
• 实现反馈回路，使边缘设备在相似度阈值未满足时持续以更高时间步长重传，直至达到阈值或最大时间步长。
• 联合训练多速率SNN-SC与SimNet，确保语义相似度估计与下游分类准确率保持一致。
• 利用SNN的二值输出实现直接数字传输，提升对信道噪声的鲁棒性，并与现有数字系统兼容。

Figure 1: The structure of the SNN-SC-HARQ. The encoder, reconstructor, and converter make up the multi-rate SNN-SC. The SimNet ${}_{\text{E}}$ and SimNet ${}_{\text{D}}$ make up the SimNet.

实验结果

研究问题

• RQ1 单一SNN-based语义通信模型能否在不损失性能的前提下，根据信道条件动态调整其传输带宽？
• RQ2 语义相似度估计与传统基于CRC的错误检测相比，在指导特征传输重传决策方面表现如何？
• RQ3 SNN-SC-HARQ在高误比特率下对传统编码方案（如LDPC）中观察到的“悬崖效应”缓解程度如何？
• RQ4 在等效带宽条件下，自适应SNN-SC-HARQ与人工配置的多速率SNN-SC之间的性能差距有多大？
• RQ5 学习得到的语义相似度度量能否在特征传输场景中可靠预测下游任务性能（如图像分类准确率）？

主要发现

• SNN-SC-HARQ实现了无性能损失的自适应带宽调节，在所有测试误比特率（BER）下，SNN-SC-HARQ与人工调优的多速率SNN-SC之间的绝对性能差距始终接近零。
• 该模型避免了SNN-SC+LDPC+HARQ中出现的“悬崖效应”，在误比特率超过0.1时，分类准确率保持平稳下降。
• 在BER = 0.30时，SNN-SC-HARQ（阈值为0.655）的分类准确率与多速率SNN-SC相当，而SNN-SC+LDPC+HARQ因LDPC失效而出现急剧下降。
• SNN-SC-HARQ的传输带宽随信道质量恶化而逐步增加，而SNN-SC+LDPC+HARQ在纠错失败时会出现带宽的突增。
• SimNet估计的语义相似度度量与下游分类准确率呈现强正相关，验证了其作为任务性能可靠代理的有效性。
• 通过在SimNet中设置不同阈值，系统可平衡带宽使用与任务性能，实现效率与可靠性的可调权衡。

Figure 2: The detailed structure of the multi-rate SNN-SC