【技术实现步骤摘要】
本专利技术属于语义通信领域，具体涉及一种基于联邦蒸馏学习的多用户语义知识库同步方法。
技术介绍
1、近年来，随着人工智能与深度学习技术的快速发展，为了进一步提高通信效率，基于人工智能技术的语义通信研究正在大力开展。语义通信利用神经网络模型提取并传输数据中所包含的含义，去除了冗余信息，能够有效提升通信效率，且面对信道噪声具有更好的抗干扰性。其中，语义知识库作为语义通信系统中的重要组成部分之一，指导着收发端对传输信息进行语义编解码。然而，当通信设备所具有的背景知识库不一致时，接收端将无法正确实现所发送信息的语义解码，将产生理解错误，使通信系统的性能严重下降。因此，亟需解决语义知识库的同步问题。
2、目前，大量研究仅讨论了端到端语义通信中的知识库同步问题，未考虑语义通信网络的场景下多用户的知识库同步问题。而多用户语义通信的规模远大于端到端通信系统，进行知识库同步所需更多的计算与通信资源。因此，如何设计语义通信网络知识库同步方法，以更高效率实现知识库同步，是语义通信发展面临的新挑战。
技术实现思路
1、针本文档来自技高网...
【技术保护点】
1.一种基于联邦蒸馏学习的多用户语义知识库同步方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于联邦蒸馏学习的多用户语义知识库同步方法，其特征在于，所述全局知识库模型的结构由Transformer模型的编解码器结构组成，参数初始化采用随机方式。
3.根据权利要求1所述的基于联邦蒸馏学习的多用户语义知识库同步方法，其特征在于，所述语义编码器的输入为一段英文文本，在全局知识库的指导下，提取出英文文本中的语义信息，将英文文本通过神经网络编码为特征向量；
4.根据权利要求1所述的基于联邦蒸馏学习的多用户语义知识库同步方法，其特征在于...
【技术特征摘要】
1.一种基于联邦蒸馏学习的多用户语义知识库同步方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于联邦蒸馏学习的多用户语义知识库同步方法，其特征在于，所述全局知识库模型的结构由transformer模型的编解码器结构组成，参数初始化采用随机方式。
3.根据权利要求1所述的基于联邦蒸馏学习的多用户语义知识库同步方法，其特征在于，所述语义编码器的输入为一段英文文本，在全局知识库的指导下，提取出英文文本中的语义信息，将英文文本通过神经网络编码为特征向量；
4.根据权利要求1所述的基于联邦蒸馏学习的多用户语义知识库同步方法，其特征在于，针对步骤s3，每个设备端都具有私有的本地知识库模型作为教师模型，共享的全局知识库作为学生模型；
5.根据权利1要求所述的基于联邦蒸馏学习的多用户语义知识库同步方法，其特征在于，步骤s3具体包括：
6.根据权利5要求所述的基于联邦蒸馏学习的多用户语义知识库同步方法，其特征在于，步骤s3还包括如下的计算：
7.根据权利1要求所述的基于联邦蒸馏学习的多用户语义知识库同步方法，其特征在于，步骤s5中，服务器接收到集合中所有设备...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。