AI dan Masalah-Masalah Sulit Dunia · Ilmu komputer teoretis · arXiv · 2026-10-22
Belajar Berinterferensi dalam Non-Orthogonal Multiple-Access Joint Source-Channel Coding
Judul asli: Learning to Interfere in Non-Orthogonal Multiple-Access Joint Source-Channel Coding
Ketika beberapa pemancar mengomunikasikan sinyal sumber seperti citra melalui kanal akses ganda, sistem konvensional membatasi kapasitas dengan mengalokasikan waktu dan bandwidth secara ortogonal untuk meminimalkan interferensi. Metode transmisi citra nirkabel berbantuan ML yang diusulkan menggabungkan kompresi dan pengodean kanal dengan autoencoder multi-view, sehingga pemancar dapat menggunakan semua sumber daya kanal yang tersedia secara bersamaan dalam skema non-orthogonal multiple access (NOMA) di mana penerima memulihkan semua citra dari sinyal yang tersuperposisi dan mengasosiasikan masing-masing dengan pemancarnya. Algoritma fine-tuning progresif menggandakan jumlah pengguna pada setiap iterasi, mendukung hingga 64 pengguna dengan hanya peningkatan 2.4% pada parameter yang dapat dilatih dibandingkan model pengguna tunggal, sekaligus mengungguli metode berbasis NOMA yang ada pada berbagai dataset, metrik, dan kondisi kanal.