論文の概要: Age of Information in Deep Learning-Driven Task-Oriented Communications
- arxiv url: http://arxiv.org/abs/2301.04298v1
- Date: Wed, 11 Jan 2023 04:15:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 14:37:35.770752
- Title: Age of Information in Deep Learning-Driven Task-Oriented Communications
- Title(参考訳): 深層学習型タスク指向コミュニケーションにおける情報の時代
- Authors: Yalin E. Sagduyu, Sennur Ulukus, Aylin Yener
- Abstract要約: 本稿では,その送信機におけるデータを利用した受信機におけるタスク実行を目的とした,タスク指向コミュニケーションにおける年齢概念について検討する。
送信機-受信機操作は、共同で訓練されたディープニューラルネットワーク(DNN)のエンコーダ-デコーダペアとしてモデル化される。
- 参考スコア(独自算出の注目度): 78.84264189471936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies the notion of age in task-oriented communications that
aims to execute a task at a receiver utilizing the data at its transmitter. The
transmitter-receiver operations are modeled as an encoder-decoder pair of deep
neural networks (DNNs) that are jointly trained while considering channel
effects. The encoder converts data samples into feature vectors of small
dimension and transmits them with a small number of channel uses thereby
reducing the number of transmissions and latency. Instead of reconstructing
input samples, the decoder performs a task, e.g., classification, on the
received signals. Applying different DNNs on MNIST and CIFAR-10 image data, the
classifier accuracy is shown to increase with the number of channel uses at the
expense of longer service time. The peak age of task information (PAoTI) is
introduced to analyze this accuracy-latency tradeoff when the age grows unless
a received signal is classified correctly. By incorporating channel and traffic
effects, design guidelines are obtained for task-oriented communications by
characterizing how the PAoTI first decreases and then increases with the number
of channels uses. A dynamic update mechanism is presented to adapt the number
of channel uses to channel and traffic conditions, and reduce the PAoTI in
task-oriented communications.
- Abstract(参考訳): 本稿では,送信機におけるデータを利用した受信機におけるタスク実行を目的としたタスク指向通信における年齢の概念について検討する。
送信機-受信機操作は、チャネル効果を考慮して共同で訓練されたエンコーダ-デコーダ対のディープニューラルネットワーク(DNN)としてモデル化される。
エンコーダはデータサンプルを小さな次元の特徴ベクトルに変換し、少数のチャネルで送信することで、送信数とレイテンシを削減する。
入力サンプルを再構築する代わりに、デコーダは受信した信号の分類などのタスクを実行する。
MNIST と CIFAR-10 の画像データに異なる DNN を適用すると、より長いサービス時間で使用するチャンネル数で分類器の精度が向上することを示す。
受信信号が正しく分類されない限り、この年齢が大きくなると、タスク情報(PAoTI)のピーク年齢を解析するために導入する。
チャネル効果とトラヒック効果を組み込むことにより、paotiがまずどのように減少するかを特徴付けることにより、タスク指向通信のための設計ガイドラインが得られる。
動的更新機構は、チャネルや交通条件に使用するチャネルの数に適応し、タスク指向通信におけるPAoTIを減らす。
関連論文リスト
- Joint Sensing and Task-Oriented Communications with Image and Wireless
Data Modalities for Dynamic Spectrum Access [49.83882366499547]
本稿では,マルチモーダル画像とスペクトルデータの相乗効果を利用した動的スペクトルアクセスの深層学習手法を提案する。
本稿では,送信機を搭載可能な車両などの潜在的な物体を撮影するカメラを備えたエッジデバイスについて考察する。
本稿では、エッジデバイスが、融合センターとして機能する信頼できる受信機に選択的に処理された情報を通信する協調システムを提案する。
論文 参考訳(メタデータ) (2023-12-21T15:26:26Z) - Joint Sensing and Semantic Communications with Multi-Task Deep Learning [49.83882366499547]
無線チャンネル上で動作し、ノイズ及びフェーディング効果を受ける送信機と受信機とを含む統合システムである。
送信機は、ソースコーディング、チャネルコーディング、変調のジョイントオペレーションのために、ディープニューラルネットワーク、すなわちエンコーダを使用する。
受信機は、復調、チャネル復号、ソース復号のジョイントオペレーションにおいて、別のディープニューラルネットワーク、すなわちデコーダを使用してデータサンプルを再構築する。
論文 参考訳(メタデータ) (2023-11-08T21:03:43Z) - 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) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳(メタデータ) (2023-06-08T06:15:17Z) - Robust Information Bottleneck for Task-Oriented Communication with
Digital Modulation [31.39386509261528]
タスク指向通信は、主に学習ベースのジョイントソースチャネル符号化(JSCC)を用いており、通信効率のよいエッジ推論システムを設計することを目的としている。
チャネル変動に対する通信ロバスト性を改善するために,ロバスト情報ボトルネック (RIB) と呼ばれるロバスト符号化フレームワークを開発した。
提案するDT-JSCCは,通信遅延の低いベースライン方式よりも優れた推論性能を実現する。
論文 参考訳(メタデータ) (2022-09-21T14:21:14Z) - DeepTx: Deep Learning Beamforming with Channel Prediction [8.739166282613118]
本研究では,送信機の機械学習アルゴリズムに着目した。
ビームフォーミングを考慮し、所定のアップリンクチャネル推定を入力として、ビームフォーミングに使用するダウンリンクチャネル情報を出力するCNNを提案する。
ニューラルネットワークの主なタスクは、アップリンクとダウンリンクスロットの間のチャネル進化を予測することだが、チェーン全体の非効率性とエラーを処理することも学べる。
論文 参考訳(メタデータ) (2022-02-16T11:19:54Z) - End-to-End Autoencoder Communications with Optimized Interference
Suppression [1.8176606453818558]
直交周波数分割多重化(OFDM)に基づくエンドツーエンド通信システムをオートエンコーダ(AE)としてモデル化する。
GAN(Generative Adversarial Network)は、トレーニングデータが不十分な場合にトレーニングデータを増強するように訓練される。
干渉訓練とランダムな平滑化は、未知かつダイナミックな干渉効果の下で運用するためにAE通信を訓練するために導入された。
論文 参考訳(メタデータ) (2021-12-29T18:09:23Z) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳(メタデータ) (2021-10-22T20:49:02Z) - A Variational Auto-Encoder Approach for Image Transmission in Wireless
Channel [4.82810058837951]
本稿では,変分オートエンコーダの性能について検討し,その結果を標準オートエンコーダと比較する。
実験により,SSIMは受信機における再構成画像の品質を視覚的に向上することを示した。
論文 参考訳(メタデータ) (2020-10-08T13:35:38Z)
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。