arXiv cs.AI· Albert Shaju, Christo Kurisummoottil Thomas, Mingzhe Chen·· 10 小时前AI 评分24
STAR：基于零样本学习的语义关键性分级无线资源分配框架
STAR: Semantic-Criticality Tiered Allocation of Radio Resources via Zero-Shot Learning
AI 导读
研究者提出零样本、领域无关的STAR框架，从冻结视觉语言模型的注意力中导出逐像素语义关键性指标（SCI），无需重训练即可通过更换提示词适配新任务与领域。在5G New Radio链路仿真中，STAR在$E_s/N_0 \geq -4$ dB时语义准确率至少达0.98，并在工厂与车辆监控数据集上分别将鲁棒编码传输的RE减少59.5%和91.5%，后者未改动任何模型。
正文 · AI 翻译
摘要：在远程推理中，边缘设备通过无线链路将高分辨率图像传输到接收端，由人工智能（AI）模型针对这些图像回答特定任务的问题，以支持可靠决策。这些答案通常由一小组任务因果像素决定，例如文本像素，其损坏会改变答案，因此这些像素必须以高保真度传输。传统传输对每个像素同等保护，因此要么消耗大量资源元素（RE），要么在低信噪比（SNR）下损坏这些区域。为克服这些局限，本文提出了一种零样本、领域无关的框架，称为语义关键性分层资源分配（STAR）。具体而言，从冻结的视觉-语言模型的注意力中导出逐像素语义关键性指标（SCI），因此只需更改提示即可处理新任务和新领域，无需重新训练。由此得到的、跨保护层的任务因果感知资源分配问题通过 SCI 上的阈值规则精确求解，实现方式为对任务因果像素采用编码层，对完整图像采用未编码、下采样的基础层。在 5G 新空口链路上的仿真表明，STAR 在 $E_s/N_0 \geq -4$ dB 时达到至少 0.98 的语义准确率，并且在相当的语义可靠性下，在工厂和车辆监控数据集上分别将鲁棒编码传输的 RE 减少了 59.5% 和 91.5%，后者无需对模型做任何更改。尽管深度联合信源信道编码基线在相当的语义准确率下使用更少的 RE，但它必须针对每个新任务或领域使用标注数据重新训练。
| 评论： | 6 页，9 幅图，1 张表。投稿至 IEEE ICC 2027 |
| 主题： | 信号处理（eess.SP）；人工智能（cs.AI）；图像与视频处理（eess.IV） |
| 引用为： | arXiv:2611.13238 [eess.SP] |
| （或 arXiv:2611.13238v1 [eess.SP] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13238 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Albert Shaju [查看电子邮件]
[v1]
2026 年 11 月 9 日星期一 21:07:26 UTC（10,560 KB）
来源：arXiv cs.AI · arxiv.org