文章提出去中心化语义联邦学习（DSFL）框架，解决公共安全任务中多边缘设备（MED）协作的通信能耗与资源异构性问题。该框架采用分层语义通信方案：下层通过任务特定编码优化基站（BS）内通信，上层结合语义聚合与分布式共识实现BS间鲁棒交互。引入基于信噪比的自适应参数压缩策略，动态平衡通信开销与语义精度。在火灾检测案例中，DSFL较传统方法降低通信能耗37%，检测精度提升12.5%。未来研究方向包括多模态语义通信增强及轻量化模型部署。
公共安全任务（如火灾监测、灾害响应）依赖多区域边缘设备（MED）与基站（BS）协作，传统联邦边缘计算（EC）方法因频繁中心化通信导致高能耗，且难以应对设备、网络及数据的异构性。文章提出去中心化语义联邦学习（DSFL）框架，融合分层语义通信（SC）与混合计算结构：BS内采用集中式语义聚合，BS间通过分布式共识实现跨区域协调，将全局数据分布转化为独立同分布（IID），显著提升系统鲁棒性。
分层SC包含两个层级：BS内通信层采用SwinJSCC模型进行语义编码，根据信道条件动态压缩传输参数；BS间通信层通过分布式共识机制交换语义聚合结果，消除中心服务器依赖。实验表明，该设计在信噪比波动环境下（0.1-20dB）保持MS-SSIM指标高于0.82，确保灾害区域图像传输可靠性。
针对参数传输负载问题，提出自适应压缩策略：BS内MED根据实时信噪比（SNR）调整压缩率（CR）——高SNR时降低CR保障精度，低SNR时提高CR确保可达性。BS间传输同步应用该策略，全局通信能耗降低41%。案例中，20个MED传输1056×1024分辨率火灾图像，DSFL每轮能耗仅2.7J，较基准方法减少37%。
基于BoWFire数据集验证：DSFL在13dB信道下重建图像PSNR达32.6dB，检测精度91.4%，较DFedAvg提升12.5%。归因于全局IID转换特性——局部非独立同分布数据经BS间语义融合后呈现全局一致性，提升模型泛化能力。
文章指出三个关键方向：1）鲁棒SC方案增强网络中断容忍性；2）多模态语义通信整合视频、音频等多源数据；3）轻量化模型压缩适配低功耗MED设备。这些方向将推动边缘智能在公共安全任务中的实时决策应用。