Системы семантической связи на основе глубокого обучения

В последние годы были разработаны энд-то-энд системы связи на основе глубокого обучения, объединяющие все блоки физического уровня традиционных систем связи и обеспечивающие совместную оптимизацию передатчика и приёмника. Подкреплённая достижениями глубокого обучения, обработка естественного языка добилась большого успеха в анализе и понимании больших объёмов текстов. Вдохновившись результатами в обеих областях, мы предлагаем новый взгляд на системы связи на семантическом уровне. В частности, мы предлагаем семантическую систему связи для передачи текста на основе глубокого обучения под названием DeepSC. Базируясь на Transformer, DeepSC направлена на максимизацию пропускной способности системы и минимизацию семантических ошибок путём восстановления смысла предложений, а не минимизации битовых или символьных ошибок, как в традиционной связи. Кроме того, применяется перенос обучения (transfer learning), чтобы обеспечить применимость DeepSC в разных условиях связи и ускорить процесс обучения модели. Для корректной оценки эффективности семантических коммуникаций мы вводим новую метрику, называемую сходством предложений. По сравнению с традиционными системами связи, не учитывающими обмен семантической информацией, предложенный DeepSC более устойчив к вариациям канала и обеспечивает лучшую производительность, особенно в режиме низкого отношения сигнал/шум (SNR), что демонстрируется обширными результатами моделирования.