GeNet: A Graph Neural Network-based Anti-noise Task-Oriented Semantic Communication Paradigm

传统的语义通信方法依赖于信噪比（SNR）的知识来减轻信道噪声。然而，这些方法需要在特定的SNR条件下进行训练，需要大量的时间和计算资源。本文提出了GeNet，一种基于图神经网络（GNN）的语义通信范例，旨在对抗噪声，从而促进任务导向通信（TOC）。我们提出了一种新颖的方法，首先将输入数据图像转换为图结构。然后我们利用基于GNN的编码器从源数据中提取语义信息。然后将提取的语义信息通过信道传输。在接收端，利用基于GNN的解码器从源数据中重建相关的语义信息以进行TOC。通过实验评估，我们展示了GeNet在反噪声TOC方面的有效性，同时解耦了SNR的依赖性。我们进一步通过改变节点数量来评估GeNet的性能，揭示了它作为一种新的语义通信范例的多样性。此外，我们通过测试不同旋转角度的数据来展示GeNet对几何变换的鲁棒性，而无需使用数据增强。

本文旨在提出一种新的语义通信范式，即通过图神经网络（GNN）对抗噪声，从而促进面向任务的通信（TOC）。该方法旨在解决传统方法在特定信噪比条件下进行训练的问题，需要大量时间和计算资源的问题。

本文提出了GeNet，一种基于GNN的语义通信范式，通过将输入数据图像转换为图结构，并利用GNN编码器从源数据中提取语义信息，然后将提取的语义信息通过信道传输。在接收端，利用GNN解码器从源数据中重建相关的语义信息，以实现TOC。

本文通过实验评估展示了GeNet在抗噪声TOC方面的有效性，并揭示了其作为语义通信的新范式的多功能性。此外，本文还展示了GeNet对几何变换的鲁棒性，而无需使用数据增强。

最近的相关研究包括使用GNN进行图像分类和语义分割的研究，以及使用GNN进行语义推理的研究。