ترجمه فارسی مقاله FSSC: یادگیری فدرال شبکه‌های عصبی تبدیل‌کننده برای ارتباط معنایی تصویر

چکیده

In this paper, we address the problem of image semantic communication in a multi-user deployment scenario and propose a federated learning (FL) strategy for a Swin Transformer-based semantic communication system (FSSC). Firstly, we demonstrate that the adoption of a Swin Transformer for joint source-channel coding (JSCC) effectively extracts semantic information in the communication system. Next, the FL framework is introduced to collaboratively learn a global model by aggregating local model parameters, rather than directly sharing clients’ data. This approach enhances user privacy protection and reduces the workload on the server or mobile edge. Simulation evaluations indicate that our method outperforms the typical JSCC algorithm and traditional separate-based communication algorithms. Particularly after integrating local semantics, the global aggregation model has further increased the Peak Signal-to-Noise Ratio (PSNR) by more than 2dB, thoroughly proving the effectiveness of our algorithm.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما به مشکل ارتباط معنایی تصویر در یک سناریوی استقرار چند کاربره پرداخته و یک استراتژی یادگیری فدرال (FL) را برای یک سیستم ارتباطی معنایی مبتنی بر ترانسفورماتور SWIN (FSSC) پیشنهاد می کنیم.در مرحله اول ، ما نشان می دهیم که پذیرش یک ترانسفورماتور SWIN برای برنامه نویسی کانال منبع مشترک (JSCC) به طور موثری اطلاعات معنایی را در سیستم ارتباطی استخراج می کند.در مرحله بعد ، چارچوب FL برای یادگیری یک مدل جهانی با جمع کردن پارامترهای مدل محلی ، به جای به اشتراک گذاری مستقیم داده های مشتری ، یک مدل جهانی را یاد می گیرد.این رویکرد باعث افزایش محافظت در حریم خصوصی کاربر می شود و بار کار موجود در سرور یا لبه موبایل را کاهش می دهد.ارزیابی های شبیه سازی نشان می دهد که روش ما از الگوریتم معمولی JSCC و الگوریتم های ارتباطی جداگانه سنتی بهتر عمل می کند.به ویژه پس از ادغام معناشناسی محلی ، مدل جمع آوری جهانی ، بیش از 2DB نسبت سیگنال به نویز (PSNR) را بیشتر افزایش داده است و اثربخشی الگوریتم ما را کاملاً اثبات می کند.