Recursive Code Evolution for Task-Oriented Semantic Communications

📄 arXiv: 2610.29641v1 📥 PDF

作者: Yan Gong, Zheng Chu, Wei Koong Chai, Hari Mohan Pandey, Jingrui Hou, Miao Zhang, Yuanjian Li, Pei Xiao

分类: cs.IT, cs.LG, eess.SP

发布日期: 2026-10-21

💡 一句话要点

提出ComRSI框架以优化任务导向的语义通信

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 语义通信 递归自我改进 大型语言模型 动态优化 无线通信 信道适配

📋 核心要点

  1. 现有的语义通信方法在通信程序的优化上存在局限性，通常在训练前就固定，缺乏灵活性。
  2. 本文提出的ComRSI框架通过递归自我改进，利用大型语言模型进行代码编辑，动态优化通信程序。
  3. 实验结果显示，ComRSI在CIFAR-100上实现74.3%的准确率，相比初始设计提升了7.1%，并在其他数据集上也表现出色。

📝 摘要（中文）

语义通信通过联合优化推理准确性、信道使用和计算能力来提升性能，但现有通信程序通常在训练前就已确定。本文提出了ComRSI（通信导向递归自我改进）框架，通过大型语言模型辅助的代码编辑递归演化通信程序。固定代理修改编码器、信道适配器、解码器、损失函数和训练策略；受保护的评估者在规定的预算和资源约束下筛选候选者。实验表明，该框架在CIFAR-100数据集上实现了74.3%的测试准确率，相较于初始设计的67.2%有显著提升，并在Tiny-ImageNet上也表现良好。

🔬 方法详解

问题定义：本文旨在解决现有语义通信方法中通信程序固定导致的灵活性不足和性能优化困难的问题。现有方法通常在训练前就确定通信程序，限制了其适应性和优化能力。

核心思路：论文提出的ComRSI框架通过递归自我改进的方式，利用大型语言模型辅助进行代码编辑，从而动态优化通信程序。该方法允许在训练过程中不断调整和改进通信策略，以适应不同的信道条件和任务需求。

技术框架：ComRSI框架包含多个主要模块：固定代理负责修改编码器、信道适配器、解码器、损失函数和训练策略；受保护的评估者在预算和资源约束下筛选候选代码。接受的代码和文本反馈用于指导后续的提案。

关键创新：该研究的核心创新在于引入递归自我改进机制，使得通信程序能够在训练过程中不断演化和优化。这与传统的静态程序设计形成鲜明对比，显著提升了系统的适应性和性能。

关键设计：在设计中，采用了特定的损失函数和网络结构，以确保在不同信道条件下的有效性。同时，候选权重从零开始训练，确保每次修改都能在新的基础上进行评估和优化。实验中还考虑了不同的预算和资源限制，以评估系统在实际应用中的表现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，ComRSI在CIFAR-100数据集上实现了74.3%的测试准确率，相较于初始设计的67.2%提升了7.1%。在不同信道条件下，ComRSI同样表现出色，且在Tiny-ImageNet数据集上经过再训练后也取得了良好效果。

🎯 应用场景

该研究的潜在应用领域包括无线通信、物联网和智能交通等场景，能够有效提升在复杂信道条件下的通信性能。通过动态优化通信程序，ComRSI框架有望在未来的智能通信系统中发挥重要作用，推动语义通信技术的发展。

📄 摘要（原文）

Semantic communication jointly optimizes inference accuracy, channel use, and computation, yet the underlying communication program is typically specified before training. This paper presents ComRSI (Communications-Oriented Recursive Self-Improvement), a framework for recursively evolving that program through large-language-model-assisted code edits. A fixed agent modifies the encoder, channel adapters, decoder, loss, and training policy; a protected evaluator screens candidates under prescribed budgets and resource constraints. Accepted code and textual feedback inform subsequent proposals, while candidate weights are trained from scratch. In the original ten-generation CIFAR-100 lineage, eight accepted revisions produce an attention-pooled code achieving 74.3% test accuracy over an Additive White Gaussian Noise (AWGN) channel at 32 complex symbols per image, compared with 67.2% at 256 symbols for the initial design. The program also improves fading-channel accuracy and transfers to Tiny-ImageNet after retraining. A repeat study with ten searches per method compares ComRSI against non-recursive agents with and without textual history. Mean final search scores balancing accuracy, transmission rate, and computational cost are 0.7587, 0.7376, and 0.7089, respectively; the mean numbers of accepted revisions per search are 6.0, 5.0, and 2.1. The advantage over the memoryless agent is supported by a two-sided rank test, whereas the difference from the history-equipped agent remains statistically inconclusive at this sample size. Archived proposals show that pooling can yield a large improvement, while retained history supports subsequent refinement. These results support recursive program optimization within the evaluated setting and expose its remaining rate-robustness and compute-placement trade-offs.