Pull-Based Query Scheduling for Goal-Oriented Semantic Communication
作者: Pouya Agheli, Nikolaos Pappas, Marios Kountouris
发布时间: 2025-03-11
来源: arxiv
研究方向: 目标导向的语义通信和查询调度
主要内容
本文研究了基于拉取模型的端到端状态更新系统中的查询调度问题。系统由多个感知代理（SAs）和动作代理（AAs）组成，SAs 监控具有多个属性的源，并将观察结果作为更新发送给 AAs。目标是通过优化查询时间来提高更新通信的有效性，同时考虑成本约束。
主要贡献
1. 开发了考虑更新影响的效应感知查询调度策略，旨在最大化通信更新总效应等级的预期折现总和。
2. 针对基于模型的解决方案的复杂性和可扩展性限制，提出了无模型的解决方案，包括基于学习的迭代算法，特别是利用各种成熟的深度强化学习（DRL）方法。
3. 通过模拟评估了所提出的基于模型和无模型的解决方案的性能，并与基准调度方法进行了比较。
4. 结果表明，效应感知调度显著提高了通信更新的有效性，尤其是在具有严格成本约束的环境中，这证明了最优查询调度对于系统性能和整体有效性至关重要。
研究方法
1. 动态规划
2. 深度强化学习（DRL）
3. 累积前景理论（CPT）
4. 价值迭代
5. 二分搜索
实验结果
实验结果表明，效应感知调度在保持高有效性的同时，显著提高了系统可靠性，并确保了最低的有效性等级。在具有严格成本约束的环境中，效应感知调度策略可以显著提高有效性，并优于其他方法。模型自由解决方案在可扩展性方面优于基于模型的解决方案，使其更适合复杂、现实的应用场景。
未来工作
未来工作可以包括进一步探索更复杂的系统模型，如多源或具有更多属性的源，以及开发更有效的学习算法来提高模型自由解决方案的性能。此外，研究如何将效应感知调度策略应用于实际网络环境中的语义通信也是一个有趣的方向。