論文の概要: Multi-Receiver Task-Oriented Communications via Multi-Task Deep Learning

• arxiv url: http://arxiv.org/abs/2308.06884v1
• Date: Mon, 14 Aug 2023 01:34:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 14:43:49.616302
• Title: Multi-Receiver Task-Oriented Communications via Multi-Task Deep Learning
• Title（参考訳）: マルチタスクディープラーニングによるマルチレシーバタスク指向通信
• Authors: Yalin E. Sagduyu, Tugba Erpek, Aylin Yener, Sennur Ulukus
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.83882366499547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies task-oriented, otherwise known as goal-oriented, communications, in a setting where a transmitter communicates with multiple receivers, each with its own task to complete on a dataset, e.g., images, available at the transmitter. A multi-task deep learning approach that involves training a common encoder at the transmitter and individual decoders at the receivers is presented for joint optimization of completing multiple tasks and communicating with multiple receivers. By providing efficient resource allocation at the edge of 6G networks, the proposed approach allows the communications system to adapt to varying channel conditions and achieves task-specific objectives while minimizing transmission overhead. Joint training of the encoder and decoders using multi-task learning captures shared information across tasks and optimizes the communication process accordingly. By leveraging the broadcast nature of wireless communications, multi-receiver task-oriented communications (MTOC) reduces the number of transmissions required to complete tasks at different receivers. Performance evaluation conducted on the MNIST, Fashion MNIST, and CIFAR-10 datasets (with image classification considered for different tasks) demonstrates the effectiveness of MTOC in terms of classification accuracy and resource utilization compared to single-task-oriented communication systems.
• Abstract（参考訳）: 本稿では,送信機が複数の受信機と通信する場面において,送信機で利用可能な画像などのデータセット上で,それぞれが完了するためのタスクを持つ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に、送信機で共通エンコーダと受信機で個別デコーダを訓練するマルチタスク深層学習手法を提案する。 提案手法は,6Gネットワークのエッジに効率的なリソース割り当てを提供することにより,通信システムに対して,異なるチャネル条件に適応し,送信オーバーヘッドを最小限に抑えながらタスク固有の目的を達成する。 マルチタスク学習を用いたエンコーダとデコーダの共同トレーニングでは,タスク間の共有情報をキャプチャし,通信プロセスの最適化を行う。 無線通信の放送特性を活用することで、マルチレシーバタスク指向通信(MTOC)は、異なる受信機でのタスク完了に必要な送信数を削減できる。 MNIST, Fashion MNIST, CIFAR-10データセットを用いて行った性能評価は, 単一タスク指向通信システムと比較して, 分類精度および資源利用率の観点からMTOCの有効性を示す。

関連論文リスト

• Will 6G be Semantic Communications? Opportunities and Challenges from Task Oriented and Secure Communications to Integrated Sensing [49.83882366499547]
  本稿では,マルチタスク学習を統合した次世代(NextG)ネットワークにおけるタスク指向およびセマンティックコミュニケーションの機会と課題について検討する。 我々は、送信側の専用エンコーダと受信側の複数のタスク固有のデコーダを表すディープニューラルネットワークを用いる。 トレーニングとテストの段階において、敵対的攻撃に起因する潜在的な脆弱性を精査する。
  論文  参考訳（メタデータ） (2024-01-03T04:01:20Z)
• 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)
• Communication-Efficient Framework for Distributed Image Semantic Wireless Transmission [68.69108124451263]
  IoTデバイスを用いたマルチタスク分散画像伝送のためのFederated Learning-based semantic communication (FLSC)フレームワーク。 各リンクは階層型視覚変換器(HVT)ベースの抽出器とタスク適応トランスレータで構成される。 チャネル状態情報に基づく多重出力多重出力伝送モジュール。
  論文  参考訳（メタデータ） (2023-08-07T16:32:14Z)
• Age of Information in Deep Learning-Driven Task-Oriented Communications [78.84264189471936]
  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。
  論文  参考訳（メタデータ） (2023-01-11T04:15:51Z)
• Scalable Communication for Multi-Agent Reinforcement Learning via Transformer-Based Email Mechanism [9.607941773452925]
  コミュニケーションはマルチエージェント強化学習(MARL)における協調性を著しく向上させる 本稿では,部分的に観測されたタスクに対するMARL通信のスケーラビリティ問題に対処するための新しいフレームワークである Transformer-based Email Mechanism (TEM) を提案する。
  論文  参考訳（メタデータ） (2023-01-05T05:34:30Z)
• Learning to Communicate with Intent: An Introduction [2.007345596217044]
  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。
  論文  参考訳（メタデータ） (2022-11-17T16:02:13Z)

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。