⚡ electrical engineering

Inference-Optimal ISAC via Task-Oriented Feature Transmission and Power Allocation

本文提出了一种面向任务的通感一体化框架，该框架通过闭式收发机设计与功率分配最大化判别增益以优化推理性能，证明了其相较于传统基于均方误差的方法具有更优越的功率效率，尤其在低信噪比条件下表现突出。

原作者： Biao Dong, Bin Cao, Qinyu Zhang

发布于 2026-05-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Biao Dong, Bin Cao, Qinyu Zhang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你有一个智能机器人，它需要同时完成两件事：观察一个物体以判断它是什么（感知），以及告知一台远程计算机它究竟看到了什么（通信）。这就是 ISAC（感知通信一体化）的世界。

通常，工程师会将这两项任务分开处理。他们力求让“观察”尽可能清晰，让“告知”尽可能准确，往往通过努力最小化信号中的“模糊”或“噪声”来实现。他们遵循一条标准规则：“让图像尽可能接近原始画面。”

本文提出了一个不同的问题："让图像看起来与原始画面完全一致，真的有助于计算机猜出物体是什么吗？"

作者们表示：未必。 有时，一张略微模糊但突出了重要部分的图像，比一张完美清晰却将能量浪费在不重要细节上的图像，更有助于猜测。

以下是他们观点的分解，辅以简单的类比：

1. “压缩与检查”策略

与其让机器人尝试进行复杂的数学运算以自行识别物体（这会消耗过多电池），不如让它快速拍摄一张快照，挑选出最重要的特征（例如“它有翅膀”或“它是红色的”），然后仅将这些特征发送给云端的一台强大计算机。这被称为**压缩与估计（CE）**框架。

2. 旧方法 vs. 新方法

旧方法（MSE 最优）： 想象你要给朋友发送一张猫的照片。旧方法试图以尽可能高的分辨率发送照片，确保每一根胡须都完美无缺。它将能量均匀分布，以使整张图像“清晰”。
新方法（DG 最优）： 新方法会问：“我的朋友实际上需要知道什么才能区分猫和狗？”它意识到耳朵和尾巴的形状至关重要，但腹部毛发的确切色调并不重要。因此，它通过忽略腹部来节省能量，并投入额外能量确保耳朵和尾巴清晰如水晶。

作者将这种机制称为判别增益（DG）。它是衡量区分两件事物难易程度的指标。

3. “注水”类比

本文描述了他们如何利用“注水”概念来决定功率分配。

想象你有一桶水（你的总能量预算）和一套杯子（物体的不同特征）。
旧方法（MSE）： 无论杯子大小，都将水均匀地倒入所有杯子，直到装满。
新方法（DG）： 观察这些杯子。有些杯子装有“重要”信息（如猫的耳朵），有些则装有“无用”信息。它将所有水倒入重要的杯子，而让无用的杯子保持干燥。如果某个特征无助于区分差异，它获得的功率就是零。

4. 重大胜利：为“观察”节省能量

这里是巧妙之处。由于新方法在发送“告知”信息方面非常高效（它用更少的功率获得相同的结果），因此节省了能量。

由于机器人的总电池电量是固定的，在“告知”部分节省下来的能量可以转移到“观察”部分。

结果： 机器人可以利用节省下来的功率，从一开始就拍摄更清晰、更优质的目标图像。
为何重要： 这在信号微弱时（例如在雾室中或距离很远时）尤其有帮助。旧方法之所以挣扎，是因为它将能量浪费在那些无助于猜测的细节上。新方法只关注重要内容，使整个系统更智能、更节能。

5. 实验结果表明了什么

作者们使用人体姿态数据集（如站立、坐着或挥手）对此进行了测试。

他们发现，在低功率情况下，他们的新方法在正确识别姿态方面表现更好。
旧方法（试图做到完美清晰）往往将功率浪费在那些无助于区分“坐着”和“站立”的特征上。
新方法（专注于区分它们的特征）以更少的功率实现了更高的准确率，从而为感知部分留下了更多电池电量。

总结

将本文视为一份如何成为智能信使的指南。与其为了确保准确性而大声喊出故事的每一个细节，智能信使会学会哪些细节是“情节转折”，并将声音聚焦于这些部分。通过只大声喊出重要部分，他们消耗更少的能量，这使得他们能够更好地倾听周围的环境。

本文证明，对于试图“猜测”所见内容的机器而言，关注事物之间的差异是比试图让一切完美清晰更好的策略。

技术摘要：基于任务导向特征传输与功率分配的推理最优 ISAC

问题陈述
集成感知与通信（ISAC）系统旨在通过联合优化感知与通信（S&C）资源来最大化“协调增益”。现有文献通常侧重于使用估计与压缩（EC）方案处理参数估计任务（如角度或速度），但许多复杂的推理任务（如模式识别）由于本地设备能力有限，需要将计算卸载至边缘服务器。这 necessitates 一种压缩与估计（CE）框架，即传输原始或压缩特征以进行远程推理。

本文解决的核心挑战是在 CE 框架下设计 S&C 收发机以最大化推理性能。直接优化推理指标（如分类错误概率）在解析上难以处理。因此，先前的工作通常依赖代理指标，如均方误差（MSE）。本文探讨了最大化 MSE 是否为推理任务的最优选择，或者针对分类定制的指标（如判别增益 DG）是否能带来更优越的性能和资源效率。

方法论
作者提出了一种系统模型，其中 ISAC 设备发射探测信号以检测目标，从回波中提取特征，并将这些特征转发至接收机进行分类。该系统在感知功率（ $P_r$ ）和通信功率（ $P_c$ ）共享的总功率约束下运行。

系统建模：
- 感知： 设备使用调频连续波（FMCW）信号。回波经过脉冲压缩和短时傅里叶变换（STFT）处理，生成时频矩阵。
- 特征提取： 应用主成分分析（PCA）提取特征向量 $\tilde{x} = x + d$ ，其中 $x$ 是真实特征， $d$ 是感知噪声。特征被建模为服从多元高斯分布。
- 传输： 特征通过块衰落信道在并行子载波上传输。接收信号被缩放以恢复特征。
推理指标表征：
- 论文建立了一个结论：推理错误概率（ $P_e$ ）的下界由类间最小判别增益（ $DG_{min}$ ）的单调函数界定。
- $DG $定义为类分布间的马氏距离，并经过方差归一化。作者证明，最小化误差界等价于最大化$ DG_{min}$。
收发机设计与优化：
- 单载波情况： 作者推导了 MSE 最优和 DG 最优收发机设计的闭式解。他们证明，对于单个特征维度，两种标准产生的性能相同。
- 多载波情况： 分析扩展至多个特征维度（ $M > 1$ $M > 1$ ）。MSE 和 DG 的优化问题均被表述为凸优化问题。
  - MSE 最优： 产生基于信道条件和特征方差分配功率的注水结构。
  - DG 最优： 引入了基于类可分性（ $|\mu_{0,n} - \mu_{1,n}|$ ）的额外加权项。这导致了一种“选择性”功率分配策略，特别是在低信噪比（SNR）体制下，功率集中在高判别力的特征上，同时可能关闭无信息的特征。
联合功率分配：
- 论文构建了 $P_r$ 和 $P_c$ 的联合优化问题。由于在 FMCW 系统中最大化 DG 等价于最大化有效感知功率，作者提出沿功率约束线进行一维搜索，以找到感知功率与通信功率之间的最优分配。

主要贡献

理论表征： 该工作提供了理论分析，将推理错误概率界直接与判别增益联系起来，确立了 DG 作为 ISAC 推理任务的可处理且相关的指标。
闭式解： 作者推导了 DG 最优和 MSE 最优标准的显式收发机设计。这些解揭示了注水型结构，并突出了 S&C 资源之间的显式权衡。
功率效率洞察： 主要贡献在于揭示了 DG 最优设计比传统的 MSE 最优设计更节省功率，特别是在低 SNR 体制下。通过选择性地将功率分配给信息丰富的特征，DG 最优方法节省了发射功率。
资源协调： 论文证明，通过 DG 最优通信节省的功率可以重新分配给感知功能，从而增强 ISAC 系统的整体协调增益。

结果
数值实验使用了多层感知机（MLP）和支持向量机（SVM）分类器的人体姿态识别数据集进行。

性能比较： 在低 SNR 体制下，DG 最优设计在推理精度方面显著优于 MSE 最优设计。DG 最优方法以更少的通信功率实现了更高的精度。
特征选择： 结果证实，DG 最优设计选择性地将功率分配给具有高判别增益的特征，而 MSE 最优设计倾向于更均匀地分配功率，从而可能将资源浪费在无信息的特征上。
混淆矩阵： 与 MSE 最优设计相比，DG 最优设计在不同类别间产生了更平衡的分类精度。
功率权衡： 随着通信 SNR 的增加，额外通信功率的边际收益递减，最优策略将功率转向感知。在高 SNR 下，DG 与 MSE 设计之间的性能差距缩小，这与理论预期一致。

意义
该论文声称，针对推理任务优化 ISAC 系统需要从传统的基于 MSE 的标准转向任务导向的判别增益最大化。其意义在于证明这种转变能够更有效地利用共享功率预算。通过减少实现目标推理精度所需的通信功率，系统可以将节省的功率分配给感知，从而提高整体系统性能。这项工作为“推理导向”的 ISAC 设计提供了基础框架，提供了闭式解，有助于 6G 网络中实际的收发机实现和资源管理。