arXiv cs.AI· Selim F. Yilmaz, Can Karamanli, Deniz Gunduz·· 12 小时前AI 评分18
基于多视角自编码器的非正交多址接入联合信源信道编码学习
Learning to Interfere in Non-Orthogonal Multiple-Access Joint Source-Channel Coding
AI 导读
研究提出一种ML辅助的无线图像传输方法，用多视角自编码器融合压缩与信道编码，让多个发射机同时占用全部信道资源形成NOMA方案，接收端从叠加信号中恢复全部图像并关联对应发射机。配套的渐进式微调算法每轮将用户数翻倍，在可训练参数仅比单用户模型增加2.4%的情况下支持最多64个用户。该方法在多种数据集、指标和信道条件下恢复图像质量显著优于现有NOMA方法。
正文 · AI 翻译
摘要：我们考虑多个发射机旨在通过多址接入信道（MAC）传输其源信号（例如图像）。传统通信系统通过在用户之间正交分配资源（时间和/或带宽）来最小化干扰，这限制了其容量。我们提出了一种机器学习（ML）辅助的无线图像传输方法，该方法使用多视图自编码器将压缩与信道编码融合，使发射机能够同时使用所有可用的信道资源，从而形成非正交多址接入（NOMA）方案。接收机必须从接收到的叠加信号中恢复所有图像，同时将每幅图像与其发射机关联起来。传统机器学习模型处理单个样本，而我们的模型允许来自不同用户的信号相互干扰，以便在有限的带宽和功率约束下利用 NOMA 带来的增益。我们提出了一种渐进式微调算法，在每次迭代中将用户数量翻倍，通过正交化的用户特定投影保持初始性能，然后通过微调步骤加以改进。值得注意的是，我们的方法最多支持 64 个用户，并具有进一步扩展的潜力，与单用户模型相比，可训练参数数量仅增加 2.4%，显著提升了恢复图像的质量，并在广泛的数据集、指标和信道条件下优于现有的基于 NOMA 的方法。我们的方法利用创新的机器学习组件和策略，为更高效、更稳健的多用户通信系统铺平了道路。
| 评论： | 20 页，19 幅图，4 张表，包括附录。发表于 IEEE Transactions on Wireless Communications |
| 主题： | 网络与互联网架构（cs.NI）；人工智能（cs.AI）；信息论（cs.IT）；机器学习（cs.LG） |
| 引用为： | arXiv:2504.03690 [cs.NI] |
| （或 arXiv:2504.03690v2 [cs.NI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2504.03690 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | IEEE Transactions on Wireless Communications, vol. 25, pp. 16859-16873, 2026 |
| 相关 DOI： | https://doi.org/10.1109/TWC.2026.3688951
链接到相关资源的 DOI |
提交历史
来自：Selim Firat Yilmaz [查看电子邮件]
[v1]
2025 年 3 月 23 日星期日 12:27:20 UTC（9,379 KB）
[v2]
2026 年 10 月 21 日星期三 16:06:31 UTC（6,809 KB）
来源：arXiv cs.AI · arxiv.org