論文の概要: Learning to Communicate with Intent: An Introduction
- arxiv url: http://arxiv.org/abs/2211.09613v2
- Date: Fri, 18 Nov 2022 11:33:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 15:37:37.724118
- Title: Learning to Communicate with Intent: An Introduction
- Title（参考訳）: 意図でコミュニケーションすることを学ぶ:序論
- Authors: Miguel Angel Gutierrez-Estevez, Yiqun Wu, Chan Zhou
- Abstract要約: 本稿では,通信の終了目標に基づいて,無線通信チャネル上でメッセージを送信する方法を学ぶための新しいフレームワークを提案する。
これは、送信側が送信側から送ったメッセージの正確またはほぼ一方を受信側で再生することを目的としている古典的な通信システムとは対照的である。
- 参考スコア（独自算出の注目度）: 2.007345596217044
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel framework to learn how to communicate with intent, i.e.,
to transmit messages over a wireless communication channel based on the
end-goal of the communication. This stays in stark contrast to classical
communication systems where the objective is to reproduce at the receiver side
either exactly or approximately the message sent by the transmitter, regardless
of the end-goal. Our procedure is general enough that can be adapted to any
type of goal or task, so long as the said task is a (almost-everywhere)
differentiable function over which gradients can be propagated. We focus on
supervised learning and reinforcement learning (RL) tasks, and propose
algorithms to learn the communication system and the task jointly in an
end-to-end manner. We then delve deeper into the transmission of images and
propose two systems, one for the classification of images and a second one to
play an Atari game based on RL. The performance is compared with a joint source
and channel coding (JSCC) communication system designed to minimize the
reconstruction error, and results show overall great improvement. Further, for
the RL task, we show that while a JSCC strategy is not better than a random
action selection strategy, with our approach we get close to the upper bound
even for low SNRs.
- Abstract（参考訳）: 本稿では,コミュニケーションの終了目標に基づいて,無線通信チャネル上でメッセージを送信する意図と通信する方法を学ぶための新しいフレームワークを提案する。
これは、送信側が送信側が送信したメッセージを正確に、あるいは概略的に再生することを目的としている古典的な通信システムとは全く対照的である。
我々の手順は、そのタスクが(ほぼどこでも)微分可能な関数であり、勾配を伝播できる限り、任意の種類の目標やタスクに適応できるのに十分である。
本稿では,教師付き学習・強化学習(RL)タスクに着目し,コミュニケーションシステムとタスクをエンドツーエンドで学習するためのアルゴリズムを提案する。
次に、画像の伝送を深く掘り下げ、画像の分類のための2つのシステムと、RLに基づくAtariゲームを行うための2つのシステムを提案する。
再建誤りを最小限に抑えるために設計したJSCC通信システムと比較し, 全体的な改善点を示す。
さらに, RL タスクでは, JSCC 戦略はランダムな行動選択戦略よりも優れているが, 提案手法は低 SNR においても上界に近づく。
関連論文リスト
- Context-aware Communication for Multi-agent Reinforcement Learning [6.109127175562235]
マルチエージェント強化学習(MARL)のための文脈認識型コミュニケーション手法を開発した。
第1段階では、エージェントは放送方式で粗い表現を交換し、第2段階のコンテキストを提供する。
その後、エージェントは第2段階の注意機構を利用し、受信機用にパーソナライズされたメッセージを選択的に生成する。
CACOMの有効性を評価するため,アクタ批判型と値に基づくMARLアルゴリズムを併用する。
論文 参考訳（メタデータ） (2023-12-25T03:33:08Z) - Batch Selection and Communication for Active Learning with Edge Labeling [54.64985724916654]
コミュニケーション拘束型ベイズ能動的知識蒸留(CC-BAKD)
本研究は,コミュニケーション制約型ベイズ能動的知識蒸留(CC-BAKD)を紹介する。
論文 参考訳（メタデータ） (2023-11-14T10:23:00Z) - Generative AI-aided Joint Training-free Secure Semantic Communications
via Multi-modal Prompts [89.04751776308656]
本稿では,多モデルプロンプトを用いたGAI支援型SemComシステムを提案する。
セキュリティ上の懸念に応えて、フレンドリーなジャマーによって支援される隠蔽通信の応用を紹介する。
論文 参考訳（メタデータ） (2023-09-05T23:24:56Z) - Multi-Receiver Task-Oriented Communications via Multi-Task Deep Learning [49.83882366499547]
本稿では、送信機が複数の受信機と通信する環境でのタスク指向通信について検討する。
複数のタスクを完了し、複数の受信機と通信する共同最適化のためのマルチタスク深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-08-14T01:34:34Z) - Model-free Reinforcement Learning of Semantic Communication by Stochastic Policy Gradient [9.6403215177092]
1949年のWeaverによる意味コミュニケーションのアイデアが注目されている。
セマンティック・コミュニケーション・システムの設計にポリシ・グラディエント(SPG)を適用した。
我々は、受信変数と対象変数の相互情報から、古典的および意味的なコミュニケーションの両方を導出する。
論文 参考訳（メタデータ） (2023-05-05T14:27:58Z) - Curriculum Learning for Goal-Oriented Semantic Communications with a
Common Language [60.85719227557608]
話者とリスナーが協調して一連のタスクを実行することを可能にするために,総合目標指向のセマンティックコミュニケーションフレームワークを提案する。
話者とリスナーのセマンティックコミュニケーションを実現するために,階層的信念に基づく共通言語を提案する。
最適化問題は、イベントの完全かつ抽象的な記述を決定するために定義される。
論文 参考訳（メタデータ） (2022-04-21T22:36:06Z) - FCMNet: Full Communication Memory Net for Team-Level Cooperation in
Multi-Agent Systems [15.631744703803806]
我々は、エージェントが効果的なマルチホップ通信プロトコルを同時に学習できる強化学習ベースのアプローチであるFCMNetを紹介する。
単純なマルチホップトポロジを用いて、各エージェントに各ステップで他のエージェントが逐次エンコードした情報を受信する能力を与える。
FCMNetは、すべてのStarCraft IIマイクロマネジメントタスクにおいて、最先端のコミュニケーションベースの強化学習方法より優れている。
論文 参考訳（メタデータ） (2022-01-28T09:12:01Z) - Common Language for Goal-Oriented Semantic Communications: A Curriculum
Learning Framework [66.81698651016444]
目標指向タスク実行を実現するための包括的セマンティックコミュニケーションフレームワークを提案する。
カリキュラム学習(CL)と強化学習(RL)を組み合わせた新しいトップダウンフレームワークを提案する。
シミュレーションの結果,提案手法は,学習中の収束時間,タスク実行時間,送信コストにおいて従来のRLよりも優れていた。
論文 参考訳（メタデータ） (2021-11-15T19:13:55Z) - Minimizing Communication while Maximizing Performance in Multi-Agent
Reinforcement Learning [5.612141846711729]
エージェント間通信は、コーディネーションを必要とするマルチエージェントタスクのパフォーマンスを著しく向上させることができる。
通信が帯域幅、電力、ネットワーク容量といったシステムの制約によって制限されるような現実世界のアプリケーションでは、送信されるメッセージの数を減らす必要がある。
性能を損なうことなく、コミュニケーションを75%削減できることを示す。
論文 参考訳（メタデータ） (2021-06-15T23:13:51Z) - Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。
本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-11T07:19:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。