論文の概要: Deep Learning in Physical Layer: Review on Data Driven End-to-End
Communication Systems and their Enabling Semantic Applications
- arxiv url: http://arxiv.org/abs/2401.12800v1
- Date: Mon, 8 Jan 2024 18:38:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-28 15:58:55.792481
- Title: Deep Learning in Physical Layer: Review on Data Driven End-to-End
Communication Systems and their Enabling Semantic Applications
- Title(参考訳): 物理層における深層学習:データ駆動型エンドツーエンド通信システムとその意味論的応用
- Authors: Nazmul Islam and Seokjoo Shin
- Abstract要約: ディープラーニング(DL)は、データ駆動エンドツーエンド(E2E)学習と物理層(PHY)最適化による無線通信システムのパラダイムシフトを可能にした。
本稿では、E2E通信システムにおけるデータ駆動型PHYの総括的レビューと、異なるモダリティにまたがるセマンティックアプリケーションの実現について述べる。
- 参考スコア(独自算出の注目度): 1.5773159234875105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep Learning (DL) has enabled a paradigm shift in wireless communication
system with data driven end-to-end (E2E) learning and optimization of the
Physical Layer (PHY). By leveraging the representation learning of DL, E2E
systems exhibit enhanced adaptability and performance in complex wireless
environments, fulfilling the demands of 5G and beyond network systems and
applications. The evolution of data-driven techniques in the PHY has enabled
advanced semantic applications across various modalities including text, image,
audio, video, and multi-modal transmissions. These applications transcend from
traditional bit-level communication to semantic-level intelligent communication
systems, which are capable of understanding and adapting to the context and
intent of the data transmission. Although PHY as a DL architecture for
data-driven E2E communication is a key factor in enabling semantic
communication systems (SemCom), and various studies in recent years have
surveyed them separately, their combination has not been thoroughly reviewed.
Additionally, these are emerging fields that are still in their infancy, with
several techniques having been developed and evolved in recent years.
Therefore, this article provides a holistic review of data-driven PHY for E2E
communication system, and their enabling semantic applications across different
modalities. Furthermore, it identifies critical challenges and prospective
research directions, providing a pivotal reference for future development of DL
in PHY and SemCom.
- Abstract(参考訳): ディープラーニング(DL)は、データ駆動エンドツーエンド(E2E)学習と物理層(PHY)の最適化によって、無線通信システムのパラダイムシフトを可能にした。
DLの表現学習を活用することで、E2Eシステムは複雑な無線環境における適応性と性能を向上し、ネットワークシステムやアプリケーションを超えて5Gの要求を満たす。
phyにおけるデータ駆動技術の進化により、テキスト、画像、オーディオ、ビデオ、マルチモーダル送信を含む様々なモダリティにまたがる高度なセマンティック応用が可能になった。
これらのアプリケーションは、従来のビットレベルの通信から、データ送信のコンテキストや意図を理解し、適応できるセマンティックレベルのインテリジェントな通信システムへと超越する。
データ駆動型E2E通信のためのDLアーキテクチャとしてのPHYはセマンティック通信システム(SemCom)の鍵となる要素であり、近年は様々な研究が別々に調査されているが、それらの組み合わせは十分にレビューされていない。
さらに、これらはまだ初期段階にある新興の分野であり、近年はいくつかの技術が開発され進化している。
そこで本稿では,E2E通信システムにおけるデータ駆動型PHYの総括的レビューを行い,その意味論的応用について述べる。
さらに、PHY と SemCom における DL の今後の発展への重要な参考として、重要な課題と今後の研究方向性を特定する。
関連論文リスト
- Agent-driven Generative Semantic Communication for Remote Surveillance [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,知識に基づくソフトアクター批判アルゴリズムを利用したエージェント支援セマンティックエンコーダを提案する。
また,2つのモジュールからなる予測および生成機能を備えたセマンティックデコーダを設計する。
論文 参考訳(メタデータ) (2024-04-10T13:24:27Z) - Generative AI for Physical Layer Communications: A Survey [76.61956357178295]
生成人工知能(GAI)は、デジタルコンテンツ生産の効率を高める可能性がある。
複雑なデータ分散を分析するGAIの能力は、無線通信にとって大きな可能性を秘めている。
本稿では、信号分類、チャネル推定、等化といった従来の問題から、インテリジェントな反射面やジョイントソースチャネル符号化といった新たなトピックまで、GAIの物理層での通信への応用に関する包括的な調査を行う。
論文 参考訳(メタデータ) (2023-12-09T15:20:56Z) - Causal Semantic Communication for Digital Twins: A Generalizable
Imitation Learning Approach [74.25870052841226]
デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。
無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。
DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
論文 参考訳(メタデータ) (2023-04-25T00:15:00Z) - Enabling the Wireless Metaverse via Semantic Multiverse Communication [82.47169682083806]
無線ネットワーク上のメタバースは、第6世代(6G)無線システムの新たなユースケースである。
メタバースを人間/機械エージェント固有のセマンティック・マルチバース(SM)に分解する新しいセマンティック・コミュニケーション・フレームワークを提案する。
各エージェントに格納されたSMは、セマンティックエンコーダとジェネレータから構成され、生成人工知能(AI)の最近の進歩を活用する。
論文 参考訳(メタデータ) (2022-12-13T21:21:07Z) - Deep Learning-Enabled Semantic Communication Systems with Task-Unaware
Transmitter and Dynamic Data [43.308832291174106]
本稿では,画像伝送のためのニューラルネットワークを用いたセマンティックコミュニケーションシステムを提案する。
提案手法は,データ回復とタスク実行の両面で高い性能を維持しつつ,観測可能なデータセットに適応することができる。
論文 参考訳(メタデータ) (2022-04-30T13:45:50Z) - Data-Driven Wireless Communication Using Gaussian Processes [28.614820247705605]
我々は、非パラメトリックベイズ型機械学習手法、すなわちガウス過程(GP)とその無線通信への応用の有望なファミリーを提示する。
具体的には,GPを用いたデータ駆動型無線通信の3段階的動機付けを考える。
無線通信システムにGPを採用する代表的なソリューションと有望な技術を提供します。
論文 参考訳(メタデータ) (2021-03-18T10:05:13Z) - Federated Learning for Physical Layer Design [38.46522285374866]
Federated Learning (FL) は最近,分散学習スキームとして提案されている。
FLは集中型学習(CL)よりもコミュニケーション効率が高くプライバシーを保ちます。
本稿では,物理層設計問題に対するFLベーストレーニングの最近の進歩について論じる。
論文 参考訳(メタデータ) (2021-02-23T16:22:53Z) - Cognitive Learning-Aided Multi-Antenna Communications [22.51807198305316]
ディープラーニング(DL)は、認知システムの本質的な特徴の実現に不可欠である。
本稿では,多アンテナ無線通信に認知行動を与えるためのDLに基づく様々な手法のシナプスについて述べる。
論文 参考訳(メタデータ) (2020-10-07T03:08:31Z) - Communication-Efficient and Distributed Learning Over Wireless Networks:
Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。
本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文 参考訳(メタデータ) (2020-08-06T12:37:14Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。