Scalable Extraction Based Semantic Communication for 6G Wireless Networks

由于满足通信效率和智能连接的需求面临挑战，第六代（6G）无线网络需要新的通信框架来实现有效的信息交换和集成人工智能（AI）和通信。基于深度学习（DL）的语义通信可以将应用要求和数据含义整合到数据处理和传输中，预计将成为6G无线网络中的一种新范式。然而，现有的语义通信框架依赖于发送完整的语义特征，这可以最大程度地保证语义保真度，但无法实现高效的语义通信。在本文中，我们介绍了一种新颖的可扩展提取式语义通信（SE-SC）模型，以支持6G无线网络中的潜在应用，并分析了其可行性。然后，我们提出了一个有前途的SE-SC框架，以突出SE-SC模型在6G无线网络中的潜力。数值结果表明，我们提出的SE-SC方案可以在比完整语义特征传输和传统编解码方案更少的传输符号下为下行任务提供相同的服务质量（QoS）。最后，我们讨论了进一步研究可扩展提取式语义通信面临的几个挑战。

论文试图探讨如何在6G无线网络中实现有效的语义通信，并提出了一种可扩展的基于提取的语义通信模型。

论文提出了一种可扩展的语义通信模型，即SE-SC模型，通过提取有用的语义特征来实现有效的语义通信，相比于传统的全语义特征传输和编解码方案，可以提供相同的服务质量，但传输的符号数量更少。

论文使用实验验证了SE-SC模型的可行性，并探讨了进一步研究的挑战。论文还提出了一个SE-SC框架来突出SE-SC模型在6G无线网络中的潜力。

在最近的相关研究中，也有一些关于基于语义的通信的研究，如"Semantic Communication: A Survey and Vision for 6G"和"Deep Learning Based Semantic Communication in 6G Networks"等。