論文の概要: Autoencoder-Based Domain Learning for Semantic Communication with Conceptual Spaces

• arxiv url: http://arxiv.org/abs/2401.16569v1
• Date: Mon, 29 Jan 2024 21:08:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 17:05:51.398981
• Title: Autoencoder-Based Domain Learning for Semantic Communication with Conceptual Spaces
• Title（参考訳）: 概念空間を用いた意味コミュニケーションのためのオートエンコーダに基づくドメイン学習
• Authors: Dylan Wheeler and Balasubramaniam Natarajan
• Abstract要約: 本研究では,高レベルなプロパティラベルを持つ生データのみを用いて,概念空間モデルの領域を学習するためのフレームワークを開発する。 MNISTとCelebAデータセットを用いた実験では、フレームワークを用いて学習したドメインが意味的類似性関係を維持し、解釈可能な次元を持つことを示した。
• 参考スコア（独自算出の注目度）: 1.7404865362620803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Communication with the goal of accurately conveying meaning, rather than accurately transmitting symbols, has become an area of growing interest. This paradigm, termed semantic communication, typically leverages modern developments in artificial intelligence and machine learning to improve the efficiency and robustness of communication systems. However, a standard model for capturing and quantifying the details of "meaning" is lacking, with many leading approaches to semantic communication adopting a black-box framework with little understanding of what exactly the model is learning. One solution is to utilize the conceptual spaces framework, which models meaning explicitly in a geometric manner. Though prior work studying semantic communication with conceptual spaces has shown promising results, these previous attempts involve hand-crafting a conceptual space model, severely limiting the scalability and practicality of the approach. In this work, we develop a framework for learning a domain of a conceptual space model using only the raw data with high-level property labels. In experiments using the MNIST and CelebA datasets, we show that the domains learned using the framework maintain semantic similarity relations and possess interpretable dimensions.
• Abstract（参考訳）: 記号を正確に伝達するのではなく、正確に意味を伝えることを目標とするコミュニケーションは、関心が高まりつつある。 このパラダイムはセマンティックコミュニケーションと呼ばれ、典型的には、人工知能と機械学習の近代的な発展を活用して、通信システムの効率性と堅牢性を向上させる。 しかし、「意味」の詳細を捉えて定量化する標準的なモデルは欠落しており、モデルが正確に何を学んでいるのかをほとんど理解していないブラックボックスフレームワークを用いたセマンティックコミュニケーションへの多くの主要なアプローチがある。 一つの解決策は、幾何学的な方法で明示的に意味するモデルをモデル化する概念空間フレームワークを利用することである。 概念空間とのセマンティックコミュニケーションを研究する以前の研究は有望な結果を示しているが、これらの試みは概念空間モデルを手作りし、アプローチのスケーラビリティと実用性を著しく制限する。 本研究では,高レベルプロパティラベルを持つ生データのみを用いて概念空間モデルのドメインを学習するためのフレームワークを開発した。 MNISTとCelebAデータセットを用いた実験では、フレームワークを用いて学習したドメインが意味的類似性関係を維持し、解釈可能な次元を持つことを示した。

関連論文リスト

• Segment Anything Meets Semantic Communication [15.183506390391988]
  本稿では,Meta AI Research が開発した基礎モデル,特にSegment Anything Model (SAM) のセマンティックコミュニケーション改善への応用について検討する。 SAMのセグメンテーション機能と、セマンティックコーディングのための軽量ニューラルネットワークアーキテクチャを用いて、セマンティックコミュニケーションの実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-03T11:54:56Z)
• Model-free Reinforcement Learning of Semantic Communication by Stochastic Policy Gradient [9.6403215177092]
  1949年のWeaverによる意味コミュニケーションのアイデアが注目されている。 セマンティック・コミュニケーション・システムの設計にポリシ・グラディエント(SPG)を適用した。 我々は、受信変数と対象変数の相互情報から、古典的および意味的なコミュニケーションの両方を導出する。
  論文  参考訳（メタデータ） (2023-05-05T14:27:58Z)
• Cognitive Semantic Communication Systems Driven by Knowledge Graph: Principle, Implementation, and Performance Evaluation [74.38561925376996]
  単一ユーザと複数ユーザのコミュニケーションシナリオに対して,認知意味コミュニケーションフレームワークが2つ提案されている。 知識グラフから推論規則をマイニングすることにより,効果的な意味補正アルゴリズムを提案する。 マルチユーザ認知型セマンティックコミュニケーションシステムにおいて,異なるユーザのメッセージを識別するために,メッセージ復元アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T12:01:43Z)
• Disentangling Learnable and Memorizable Data via Contrastive Learning for Semantic Communications [81.10703519117465]
  セマンティック・レディにするために、ソースデータをアンタングルする新しい機械推論フレームワークが提案されている。 特に、データ上でインスタンスとクラスタの識別を行う新しいコントラスト学習フレームワークが提案されている。 信頼度の高い深いセマンティッククラスタは、学習可能でセマンティックリッチなデータだと考えられている。 シミュレーションの結果は, セマンティック・インパクトとミニマリズムの観点から, コントラスト学習アプローチの優位性を示した。
  論文  参考訳（メタデータ） (2022-12-18T12:00:12Z)
• Less Data, More Knowledge: Building Next Generation Semantic Communication Networks [180.82142885410238]
  本稿では、スケーラブルなエンドツーエンドセマンティック通信ネットワークの最初の厳密なビジョンを示す。 まず、セマンティック・コミュニケーション・ネットワークの設計は、データ駆動型ネットワークから知識駆動型ネットワークへどのように移行する必要があるかについて議論する。 意味表現と言語を用いることで、従来の送信機と受信機が教師と見習いになることを示す。
  論文  参考訳（メタデータ） (2022-11-25T19:03:25Z)
• Imitation Learning-based Implicit Semantic-aware Communication Networks: Multi-layer Representation and Collaborative Reasoning [68.63380306259742]
  有望な可能性にもかかわらず、セマンティック通信とセマンティック・アウェア・ネットワーキングはまだ初期段階にある。 本稿では,CDCとエッジサーバの複数層を連携させる,推論に基づく暗黙的セマンティック・アウェア通信ネットワークアーキテクチャを提案する。 暗黙的セマンティクスの階層構造と個人ユーザのパーソナライズされた推論嗜好を考慮に入れたセマンティクス情報の多層表現を提案する。
  論文  参考訳（メタデータ） (2022-10-28T13:26:08Z)
• 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)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)

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。