Comunicação Semântica e Aprendizado Federado: Uma Arquitetura baseada em Autoencoders para Redes 6G

Com a ascensão das redes 6G, a comunicação semântica emerge como um paradigma disruptivo para superar os limites de Shannon, ao focar na transmissão do significado da informação, em vez da reconstrução exata de bits. Este trabalho propõe e avalia uma arquitetura federada baseada em autoencoders para compressão semântica orientada a tarefas no banco de dados CIFAR-10. Por meio de experimentos exaustivos, demonstra-se que o uso de espaços latentes compactos integrados ao Aprendizado Federado permite reduções superiores a 97% no tráfego de rede, sem perda semântica. O framework proposto leva em consideração amostras ruidosas, geradas artificialmente durante o treinamento, atuando como um mecanismo de regularização e contribuindo para a robustez semântica, com ganhos expressivos de acurácia. Os resultados obtidos validam a eficácia de sistemas orientados a tarefas em ambientes altamente afetados por desvanecimento e com recursos restritos, estabelecendo um novo compromisso entre taxa e desempenho para o ecossistema de Inteligência Artificial distribuída.