KI und die schwierigen Probleme der Welt · Theoretische Informatik · arXiv · 2026-10-22
Lernen zu interferieren in Non-Orthogonal Multiple-Access Joint Source-Channel Coding
Originaltitel: Learning to Interfere in Non-Orthogonal Multiple-Access Joint Source-Channel Coding
Wenn mehrere Sender Quellensignale wie Bilder über einen Mehrfachzugriffskanal übertragen, begrenzen konventionelle Systeme die Kapazität, indem sie Zeit und Bandbreite orthogonal zuweisen, um Interferenzen zu minimieren. Die vorgeschlagene ML-gestützte drahtlose Bildübertragungsmethode verbindet Kompression und Kanalcodierung mit einem Multi-View-Autoencoder, sodass Sender alle verfügbaren Kanalressourcen gleichzeitig in einem nicht-orthogonalen Mehrfachzugriffsschema (NOMA) nutzen können, bei dem der Empfänger alle Bilder aus dem überlagerten Signal wiederherstellt und jedem Bild seinen Sender zuordnet. Ein progressiver Feinabstimmungsalgorithmus verdoppelt die Anzahl der Benutzer in jeder Iteration und unterstützt bis zu 64 Benutzer mit nur einem Anstieg der trainierbaren Parameter um 2.4% gegenüber einem Einzelbenutzermodell, während er bestehende NOMA-basierte Methoden über einen breiten Bereich von Datensätzen, Metriken und Kanalbedingungen hinweg übertrifft.