AI 與世界的難題 · 理論資訊科學 · arXiv · 2026-10-22
在非正交多重接取聯合信源通道編碼中學習干擾
原標題: Learning to Interfere in Non-Orthogonal Multiple-Access Joint Source-Channel Coding
當多個發射端透過多重存取通道傳送影像等原始訊號時，傳統系統為了將干擾降至最低，會以正交方式分配時間與頻寬，因而限制了容量。所提出的 ML 輔助無線影像傳輸方法將壓縮與通道編碼和多視角自編碼器相結合，讓發射端在非正交多重存取（NOMA）架構下同時使用所有可用的通道資源，由接收端從疊加訊號中還原所有影像，並將每張影像與其發射端建立關聯。漸進式微調演算法在每次迭代中將使用者數量加倍，支援多達 64 個使用者，可訓練參數僅比單一使用者模型增加 2.4%，且在各種資料集、評估指標與通道條件下均優於現有的 NOMA 方法。