論文の概要: Optimization of Image Transmission in a Cooperative Semantic
Communication Networks
- arxiv url: http://arxiv.org/abs/2301.00433v1
- Date: Sun, 1 Jan 2023 15:59:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 14:27:52.336318
- Title: Optimization of Image Transmission in a Cooperative Semantic
Communication Networks
- Title(参考訳): 協調意味コミュニケーションネットワークにおける画像伝送の最適化
- Authors: Wenjing Zhang, Yining Wang, Mingzhe Chen, Tao Luo, Dusit Niyato
- Abstract要約: 画像伝送のためのセマンティック通信フレームワークを開発した。
サーバは、セマンティックコミュニケーション技術を用いて、画像の集合を協調的にユーザへ送信する。
抽出した意味情報と原画像との相関関係を測定するために,マルチモーダル・メトリックを提案する。
- 参考スコア(独自算出の注目度): 68.2233384648671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, a semantic communication framework for image transmission is
developed. In the investigated framework, a set of servers cooperatively
transmit images to a set of users utilizing semantic communication techniques.
To evaluate the performance of studied semantic communication system, a
multimodal metric is proposed to measure the correlation between the extracted
semantic information and the original image. To meet the ISS requirement of
each user, each server must jointly determine the semantic information to be
transmitted and the resource blocks (RBs) used for semantic information
transmission. We formulate this problem as an optimization problem aiming to
minimize each server's transmission latency while reaching the ISS requirement.
To solve this problem, a value decomposition based entropy-maximized
multi-agent reinforcement learning (RL) is proposed, which enables servers to
coordinate for training and execute RB allocation in a distributed manner to
approach to a globally optimal performance with less training iterations.
Compared to traditional multi-agent RL, the proposed RL improves the valuable
action exploration of servers and the probability of finding a globally optimal
RB allocation policy based on local observation. Simulation results show that
the proposed algorithm can reduce the transmission delay by up to 16.1%
compared to traditional multi-agent RL.
- Abstract(参考訳): 本稿では,画像伝送のための意味コミュニケーションフレームワークを開発した。
本研究フレームワークでは,セマンティック通信技術を用いて,複数のサーバが協調して画像を送信する。
研究対象のセマンティックコミュニケーションシステムの性能を評価するために,抽出したセマンティック情報と原画像との相関を計測するマルチモーダルメトリックを提案する。
各サーバは、各ユーザのISS要件を満たすために、送信すべきセマンティック情報と、セマンティック情報送信に使用されるリソースブロック(RB)を共同で決定する必要がある。
ISSの要件に到達しつつ各サーバの送信遅延を最小限に抑えるため,この問題を最適化問題として定式化する。
この問題を解決するために、サーバが分散してrb割り当てを調整し実行し、より少ないトレーニングイテレーションでグローバルに最適なパフォーマンスにアプローチできる、値分解型エントロピー最大化マルチエージェント強化学習(rl)を提案する。
従来のマルチエージェントRLと比較して、提案RLはサーバの貴重なアクション探索を改善し、局所観測に基づくグローバルに最適なRB割り当てポリシーを見つける確率を向上する。
シミュレーションの結果,提案アルゴリズムは従来のマルチエージェントRLと比較して伝送遅延を最大16.1%低減できることがわかった。
関連論文リスト
- FedsLLM: Federated Split Learning for Large Language Models over Communication Networks [30.47242577997792]
本稿では,低ランク適応技術 (LoRA) と分割学習フレームワークを組み合わせることで,大規模言語モデル (FedsLLM) のためのフェデレーション分割学習を提案する。
提案アルゴリズムは、最適化されていないシナリオと比較して平均47.63%遅延を削減する。
論文 参考訳(メタデータ) (2024-07-12T13:23:54Z) - Vision-based Semantic Communications for Metaverse Services: A Contest
Theoretic Approach [66.10465001046762]
Metaverseでは、アバターを更新し、ユーザの振る舞いを反映してレンダリングする必要がある。
ユーザとMPP間のインタラクションをモデル化する意味コミュニケーションフレームワークを提案する。
我々はセマンティック通信技術を用いて送信するデータの量を削減する。
論文 参考訳(メタデータ) (2023-08-15T07:56:33Z) - RGMComm: Return Gap Minimization via Discrete Communications in
Multi-Agent Reinforcement Learning [33.86277578441437]
マルコフ決定過程における協調的マルチエージェント強化学習課題の解決には,コミュニケーションが不可欠である。
本稿では、離散メッセージ生成関数の驚くほど単純な設計であるReturn-Gap-Minimization Communication (RGMComm)アルゴリズムを提案する。
評価の結果、RGMCommは最先端のマルチエージェント通信ベースラインを大きく上回っている。
論文 参考訳(メタデータ) (2023-08-07T07:26:55Z) - Serverless Federated AUPRC Optimization for Multi-Party Collaborative
Imbalanced Data Mining [119.89373423433804]
有効指標としてAUPRC(Area Under Precision-Recall)を導入した。
サーバーレスのマルチパーティ共同トレーニングは、サーバーノードのボトルネックを避けることで通信コストを削減できる。
本稿では,AUPRCを直接最適化する ServerLess biAsed sTochastic gradiEnt (SLATE) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-08-06T06:51:32Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳(メタデータ) (2023-02-02T18:27:20Z) - Performance Optimization for Semantic Communications: An Attention-based
Reinforcement Learning Approach [187.4094332217186]
テキストデータ伝送のためのセマンティック通信フレームワークを提案する。
回復したテキストの意味的精度と完全性を共同でキャプチャする意味的類似度尺度(MSS)を提案する。
論文 参考訳(メタデータ) (2022-08-17T11:39:16Z) - Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless
Cellular Networks [82.02891936174221]
複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。
本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
論文 参考訳(メタデータ) (2021-11-23T18:24:47Z) - Deep Reinforcement Learning for QoS-Constrained Resource Allocation in
Multiservice Networks [0.3324986723090368]
本稿では、マルチサービス無線システムにおける満足度保証に対するスペクトル効率の最大化を主な目的とする非最適化問題に焦点をあてる。
本稿では,Reinforcement Learning (RL) フレームワークに基づくソリューションを提案し,各エージェントがローカル環境とのインタラクションによってポリシーを見つける決定を行う。
スループットと停止率の観点から、後者のほぼ最適性能を示す。
論文 参考訳(メタデータ) (2020-03-03T19:32:15Z)
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。