arXiv cs.AI· Zhongqin Wang, Xiaoqi Zhang, Nan Yang, Kai Wu, J. Andrew Zhang, Y. Jay Guo·· 10 天前AI 评分18
Agentic SemS：面向资源自适应 AI-RAN 的智能体语义感知
Agentic Semantic Sensing for Resource-Adaptive AI-RAN
AI 导读
研究者提出 Agentic SemS，一个面向 AI-RAN 的闭环语义感知框架，通过 profile 条件因果 Transformer 与 key-value 缓存更新语义信念，并用语义效用网络估计下一观测块的收益，联合支持 profile 选择与语义早退。
正文 · AI 翻译
摘要：语义感知（SemS）获取的是任务相关信息，而非重建完整的物理信息。现有的 SemS 方案通常以开环方式运行：感知配置和观测调度在推理前就已固定，无法对不断演变的任务级证据作出响应。我们提出 Agentic SemS，这是一种面向 AI 使能无线接入网络（AI-RAN）的闭环框架，可在通信可行的配置集合内控制感知。一个以配置为条件的因果 Transformer 从流式观测中更新语义信念，而键值缓存则支持在配置变化时高效更新状态，无需重复处理完整历史。一个语义效用网络在计入感知成本后，估计在每个可行配置下获取下一个观测块所带来的任务级收益。由此得到的延续效用共同支持下一配置选择和语义提前退出，使感知配置和时长能够适应不断演变的证据。预期语义增益进一步与条件互信息相关联，为持续在线感知提供了信息价值的解释。在 Widar3.0 上使用六种仿真感知配置进行的实验表明，与全序列 High 相比，资源高效的 Agentic 设置将归一化累计感知成本降低了 25.33%，同时达到 85.79% 的 Macro-F1。在相同的效用检查点下，语义提前退出相比无提前退出的自适应感知进一步降低了 12.35% 的成本，Macro-F1 下降 0.97 个百分点。
| 学科： | 人工智能（cs.AI）；信号处理（eess.SP） |
| 引用为： | arXiv:2610.07829 [cs.AI] |
| （或使用 arXiv:2610.07829v1 [cs.AI] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2610.07829 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Zhongqin Wang [查看电子邮件]
[v1]
2026年10月6日星期二 06:27:08 UTC（4,099 KB）
来源：arXiv cs.AI · arxiv.org