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
- Synesthesia of Machines (SoM)-Enhanced ISAC Precoding for Vehicular Networks with Double Dynamics [15.847713094328286]
統合センシング・通信(ISAC)技術は車載ネットワークにおいて重要な役割を担っている。
ダブルダイナミクスは、リアルタイムISACプリコーディング設計において重要な課題を示す。
本稿では,機械(SoM)に強化されたプリコーディングパラダイムの合成を提案する。
論文 参考訳（メタデータ） (2024-08-24T10:35:10Z) - Revisiting Interpolation Augmentation for Speech-to-Text Generation [45.255833976931456]
音声テキスト生成システム(S2T)は、低リソースシナリオにおいてしばしば課題に直面している。
新たなソリューションのひとつは、入力とラベルを補間することで、仮想トレーニングサンプルを構築することだ。
本稿では,いくつかの重要な疑問に導かれる拡張性について考察する。
論文 参考訳（メタデータ） (2024-06-22T13:24:58Z) - 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) - Generative AI for Secure Physical Layer Communications: A Survey [80.0638227807621]
Generative Artificial Intelligence(GAI)は、AIイノベーションの最前線に立ち、多様なコンテンツを生成するための急速な進歩と非並行的な能力を示す。
本稿では,通信ネットワークの物理層におけるセキュリティ向上におけるGAIの様々な応用について,広範な調査を行う。
私たちは、物理的レイヤセキュリティの課題に対処する上で、GAIの役割を掘り下げ、通信の機密性、認証、可用性、レジリエンス、整合性に重点を置いています。
論文 参考訳（メタデータ） (2024-02-21T06:22:41Z) - 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) - Distributed Learning Meets 6G: A Communication and Computing Perspective [24.631203542364908]
Federated Learning (FL) は、著名な無線アプリケーションで選択されるDLアーキテクチャとして登場した。
実例として、FLフレームワークにMARL(Multi-Agent Reinforcement Learning)を適用し、動的スペクトルアクセス(DSA)問題に適用する。
6GネットワークにDLアプローチを適用する際の最新の課題も強調されている。
論文 参考訳（メタデータ） (2023-03-02T15:15:33Z) - The Internet of Senses: Building on Semantic Communications and Edge
Intelligence [67.75406096878321]
インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。
我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
論文 参考訳（メタデータ） (2022-12-21T03:37:38Z) - Topics in Deep Learning and Optimization Algorithms for IoT Applications
in Smart Transportation [0.0]
この論文は、最適化アルゴリズムと機械学習の異なる手法をどのように活用してシステム性能を向上するかを考察する。
第1のトピックでは、分散ADMM方式を用いた最適な伝送周波数管理方式を提案する。
第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を活用する。
最後のトピックでは、頻繁に車線変更行動が発生するハイウェイ交通ネットワークのシナリオについて考察する。
論文 参考訳（メタデータ） (2022-10-13T11:45:30Z) - 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)
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。