IA e os Problemas Difíceis do Mundo · Ciência da computação teórica · arXiv · 2026-10-22
Aprendendo a interferir na codificação conjunta fonte-canal de acesso múltiplo não ortogonal
Título original: Learning to Interfere in Non-Orthogonal Multiple-Access Joint Source-Channel Coding
Quando múltiplos transmissores comunicam sinais de origem, como imagens, por um canal de acesso múltiplo, os sistemas convencionais limitam a capacidade ao alocar tempo e largura de banda de forma ortogonal para minimizar a interferência. O método proposto de transmissão sem fio de imagens assistido por aprendizado de máquina (ML) combina compressão e codificação de canal com um autoencoder multivisão, permitindo que os transmissores usem todos os recursos disponíveis do canal simultaneamente em um esquema de acesso múltiplo não ortogonal (NOMA), no qual o receptor recupera todas as imagens do sinal sobreposto e associa cada uma ao seu transmissor. Um algoritmo progressivo de ajuste fino dobra o número de usuários a cada iteração, suportando até 64 usuários com apenas um aumento de 2.4% nos parâmetros treináveis em relação a um modelo de usuário único, além de superar os métodos existentes baseados em NOMA em uma ampla variedade de conjuntos de dados, métricas e condições de canal.