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
- Low-Latency Task-Oriented Communications with Multi-Round, Multi-Task Deep Learning [45.622060532244944]
本稿では,マルチラウンド・マルチタスク・ラーニング(MRMTL)によるマルチラウンド・トランスミッションにおけるチャネル利用の動的更新を提案する。
MRMTLはタスク指向通信の効率を大幅に向上することを示す。
論文 参考訳(メタデータ) (2024-11-15T17:48:06Z) - Cooperative and Collaborative Multi-Task Semantic Communication for Distributed Sources [8.22548024950756]
我々は、エンコーダを共通単位(CU)と多重特定単位(SU)に分割する[1]で導入された協調マルチタスク処理に基づいて構築する。
本稿では,マルチタスク処理をサポートするSemComシステムを提案する。
論文 参考訳(メタデータ) (2024-11-04T15:07:48Z) - 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) - 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)
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。