【摘 要】深度神经网络被广泛用于语义压缩编码，然而所生成的语义特征是否还有冗余信息和压缩空间等难以判断。针对此问题，首先基于信息瓶颈理论给出损失函数，接着引入信道自适应压缩模块构建系统模型，然后利用vCLUB互信息估计和变分近似方法推导损失函数上界，设计互信息估计网络等结构。实验结果表明，与基线方法相比，所提出的基于信息瓶颈的信道自适应语义压缩编码方法实现了更高的智能任务性能和更低的通信开销。
【关键词】语义通信；语义编码；信息瓶颈；深度学习
0 引言
随着5G技术在全球的推广和应用，无线通信系统已经能以高速率、低延迟的数据传输满足多样化服务的需求。然而，无线通信系统也面临着许多挑战。首先，数据量飞速增长。根据爱立信在2021年11月发布的一份报告，预计在未来五年内，全球月度数据流量将呈指数级增长[1]。其次，工业互联网、智能网联车、远程医疗/手术、虚拟现实等各种新兴应用有更高的通信需求。最后，现有的Turbo、LDPC、Polar等信道编码技术已逼近香农极限。
为解决上述挑战，受深度学习在通信物理层和数据语义提取方面成功应用的激励[2-5]，人们开始关注Shannon和Weaver在1949年提出的“语义通信”[6]，即传输数据的含义或内容，而非数据本身。现有的语义通信相关工作可分为数据重构[7-9]和智能任务执行[10-12]。针对数据重构，发送端提取并发送数据的全部语义信息，接收端利用接收到的语义信息进行数据恢复，适用于需重构发送数据的应用场景，如移动视频监控。针对智能任务执行，发送端提取并发送数据中与智能任务相关的语义信息，接收端不再进行数据恢复，直接利用接收到的