論文の概要: Transformers for Green Semantic Communication: Less Energy, More Semantics

• arxiv url: http://arxiv.org/abs/2310.07592v2
• Date: Mon, 19 Feb 2024 01:52:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 05:20:30.589994
• Title: Transformers for Green Semantic Communication: Less Energy, More Semantics
• Title（参考訳）: グリーンセマンティック通信のためのトランスフォーマー:エネルギーの削減、セマンティックスの改善
• Authors: Shubhabrata Mukherjee, Cory Beard, and Sejun Song (School of Science and Engineering, University of Missouri-Kansas City, Kansas City, MO, USA)
• Abstract要約: Energy-d Semantic Loss" 関数は意味情報損失とエネルギー消費のバランスをとるという課題に対処する。 最大90%のエネルギーを節約でき、推論中に意味的類似性のパフォーマンスを44%向上させることができる。 この研究は、エネルギー効率のよいニューラルネットワークの選択と、よりグリーンなセマンティック通信アーキテクチャの開発の道を開く。
• 参考スコア（独自算出の注目度）: 0.3226483876828104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic communication aims to transmit meaningful and effective information, rather than focusing on individual symbols or bits. This results in benefits like reduced latency, bandwidth usage, and higher throughput compared with traditional communication. However, semantic communication poses significant challenges due to the need for universal metrics to benchmark the joint effects of semantic information loss and practical energy consumption. This research presents a novel multi-objective loss function named "Energy-Optimized Semantic Loss" (EOSL), addressing the challenge of balancing semantic information loss and energy consumption. Through comprehensive experiments on transformer models, including CPU and GPU energy usage, it is demonstrated that EOSL-based encoder model selection can save up to 90% of energy while achieving a 44% improvement in semantic similarity performance during inference in this experiment. This work paves the way for energy-efficient neural network selection and the development of greener semantic communication architectures.
• Abstract（参考訳）: 意味コミュニケーションは、個々のシンボルやビットではなく、意味のある効果的な情報を伝達することを目的としている。 これにより、レイテンシの低減、帯域幅の使用、従来の通信よりも高いスループットといったメリットが生まれる。 しかしながら、意味的コミュニケーションは、意味的情報損失と実用的なエネルギー消費の合同効果をベンチマークするために普遍的なメトリクスを必要とするため、重大な課題をもたらす。 本研究では,「エネルギー最適化セマンティックロス(EOSL)」と呼ばれる新たな多目的損失関数を提案し,セマンティック情報損失とエネルギー消費のバランスをとることの課題に対処する。 CPUやGPUのエネルギー使用を含むトランスフォーマーモデルに関する包括的な実験を通じて、EOSLベースのエンコーダモデル選択は最大90%のエネルギーを節約し、この実験では推論時の意味的類似性性能を44%改善することを示した。 この研究は、エネルギー効率のよいニューラルネットワークの選択と、よりグリーンなセマンティック通信アーキテクチャの開発の道を開く。

関連論文リスト

• MetaGreen: Meta-Learning Inspired Transformer Selection for Green Semantic Communication [0.3850666668546735]
  エネルギ・ド・セマンティック・ロスの関数はセマンティック情報損失とエネルギー消費のバランスをとる。 EOSLを用いた変圧器モデル選択はBLEUのスコアベース選択と比較して83%高い類似度/パワー比(SPR)を示す。 メタラーニングの原則に触発されて,EOSLの適用性は,多様かつ多様なコンテキストにまで拡張する。
  論文  参考訳（メタデータ） (2024-06-22T00:49:40Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリック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。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)
• Dynamic Relative Representations for Goal-Oriented Semantic Communications [13.994922919058922]
  通信のセマンティクスと有効性は6G無線ネットワークにおいて基本的な役割を果たす。 潜時空間通信において、この課題は、ディープニューラルネットワークがデータをエンコードする高次元表現における誤調整として現れる。 本稿では,相対表現を利用して意味ミスマッチを緩和する,ゴール指向のセマンティックコミュニケーションのための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） (2024-03-25T17:48:06Z)
• An Energy-Efficient Ensemble Approach for Mitigating Data Incompleteness in IoT Applications [0.0]
  同時にエネルギー効率を向上しながら、データの不完全性に対して堅牢なIoTベースの機械学習システムを構築することが重要である。 ENAMLEは、同時に欠落するデータの影響を緩和するための、能動的でエネルギーに配慮した技術である。 本研究では,ENAMLEのエネルギー効率を示す2つの異なるデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2024-03-15T15:01:48Z)
• Measuring the Energy Consumption and Efficiency of Deep Neural Networks: An Empirical Analysis and Design Recommendations [0.49478969093606673]
  BUTTER-Eデータセットは、BUTTER Empirical Deep Learningデータセットの拡張である。 このデータセットは、データセットのサイズ、ネットワーク構造、エネルギー使用の複雑な関係を明らかにする。 本稿では,ネットワークサイズ,コンピューティング,メモリ階層を考慮した,単純かつ効率的なエネルギーモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-13T00:27:19Z)
• Reasoning with the Theory of Mind for Pragmatic Semantic Communication [62.87895431431273]
  本稿では,実用的な意味コミュニケーションフレームワークを提案する。 2つの知性エージェント間の効果的な目標指向情報共有を可能にする。 数値的な評価は、少ないビット量で効率的な通信を実現するためのフレームワークの能力を示している。
  論文  参考訳（メタデータ） (2023-11-30T03:36:19Z)
• 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)
• Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic Communication [85.06664206117088]
  6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。 観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。 GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
  論文  参考訳（メタデータ） (2022-05-22T07:11:57Z)
• To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
  巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。 フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
  論文  参考訳（メタデータ） (2020-12-22T02:54:18Z)
• Resource-Constrained On-Device Learning by Dynamic Averaging [7.720999661966942]
  データ生成デバイス間の通信は、部分的に世界の電力消費の増大の原因となっている。 機械学習では、デバイス上での学習は生データの送信を回避し、通信を大幅に削減する。 本稿では,低消費電力プロセッサ上で実行された整数指数族に対する通信効率のよいオンデバイス学習へのアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-09-25T09:29:10Z)
• Communication Efficient Federated Learning with Energy Awareness over Wireless Networks [51.645564534597625]
  フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。 我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。 2つの最適化問題を定式化し、学習性能を最適化する。 FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-15T21:25:13Z)

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。