Fugu-MT 論文翻訳(概要): Multi-level Reliability Interface for Semantic Communications over Wireless Networks

論文の概要: Multi-level Reliability Interface for Semantic Communications over Wireless Networks

arxiv url: http://arxiv.org/abs/2407.05487v1
Date: Sun, 7 Jul 2024 20:15:10 GMT
ステータス: 処理完了
システム内更新日: 2024-07-09 17:39:22.146501
Title: Multi-level Reliability Interface for Semantic Communications over Wireless Networks
Title（参考訳）: 無線ネットワーク上でのセマンティック通信のためのマルチレベル信頼性インタフェース
Authors: Tze-Yang Tung, Homa Esfahanizadeh, Jinfeng Du, Harish Viswanathan,
Abstract要約: ジョイントソースチャネル符号化(JSCC)は、ソースメッセージをチャネル入力シンボルに直接マッピングする。本稿では,新しいマルチレベル信頼性インタフェースを用いて,ソースマッピングとチャネルマッピングを個別に,順次に設計することを提案する。この研究は、無線ネットワークにおける意味コミュニケーションの実現に向けた重要なステップである。
参考スコア（独自算出の注目度）: 5.9056146376982
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semantic communication, when examined through the lens of joint source-channel coding (JSCC), maps source messages directly into channel input symbols, where the measure of success is defined by end-to-end distortion rather than traditional metrics such as block error rate. Previous studies have shown significant improvements achieved through deep learning (DL)-driven JSCC compared to traditional separate source and channel coding. However, JSCC is impractical in existing communication networks, where application and network providers are typically different entities connected over general-purpose TCP/IP links. In this paper, we propose designing the source and channel mappings separately and sequentially via a novel multi-level reliability interface. This conceptual interface enables semi-JSCC at both the learned source and channel mappers and achieves many of the gains observed in existing DL-based JSCC work (which would require a fully joint design between the application and the network), such as lower end-to-end distortion and graceful degradation of distortion with channel quality. We believe this work represents an important step towards realizing semantic communications in wireless networks.
Abstract（参考訳）: セマンティック通信は、ジョイントソースチャネル符号化(JSCC)のレンズを通して調べると、ソースメッセージをチャネル入力シンボルに直接マッピングし、成功度の測定はブロックエラー率などの従来の指標ではなく、エンドツーエンドの歪みによって定義される。これまでの研究では、従来の独立したソースやチャネルコーディングと比較して、ディープラーニング(DL)駆動のJSCCによって達成された顕著な改善が示されている。しかし、JSCCは既存の通信ネットワークでは非現実的であり、アプリケーションとネットワークプロバイダは通常汎用TCP/IPリンクを介して接続される異なるエンティティである。本稿では,新しいマルチレベル信頼性インタフェースを用いて,ソースマッピングとチャネルマッピングを個別に,順次に設計することを提案する。この概念インターフェースは、学習したソースとチャネルマッパーの両方で半JSCCを可能にし、既存のDLベースのJSCCワーク(アプリケーションとネットワーク間の完全な結合設計を必要とする)で見られる多くの利益を達成する。本研究は,無線ネットワークにおけるセマンティックコミュニケーションの実現に向けた重要なステップであると考えている。

関連論文リスト

Deep Joint Semantic Coding and Beamforming for Near-Space Airship-Borne Massive MIMO Network [70.63240823677182]
近距離飛行船搭載通信網は、緊急に信頼性と効率のよい飛行船対Xリンクを必要とする。本稿では,MIMO(Multiple-Input multiple-output)技術とセマンティックコミュニケーションを統合することを提案する。
論文参考訳（メタデータ） (2024-05-30T09:46:59Z)
Semantics Alignment via Split Learning for Resilient Multi-User Semantic Communication [56.54422521327698]
最近の意味コミュニケーションの研究は、ディープジョイントソースやチャネルコーディング(DeepJSCC)のようなニューラルネットワーク(NN)ベースのトランシーバに依存している。従来のトランシーバとは異なり、これらのニューラルトランシーバは実際のソースデータとチャネルを使用してトレーニング可能であり、セマンティクスを抽出し通信することができる。本稿では,分割学習(SL)と部分的NN微調整技術を活用する分散学習ベースソリューションを提案する。
論文参考訳（メタデータ） (2023-10-13T20:29:55Z)
Generative AI-aided Joint Training-free Secure Semantic Communications via Multi-modal Prompts [89.04751776308656]
本稿では,多モデルプロンプトを用いたGAI支援型SemComシステムを提案する。セキュリティ上の懸念に応えて、フレンドリーなジャマーによって支援される隠蔽通信の応用を紹介する。
論文参考訳（メタデータ） (2023-09-05T23:24:56Z)
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)
Reasoning over the Air: A Reasoning-based Implicit Semantic-Aware Communication Framework [124.6509194665514]
ソースユーザと宛先ユーザの間で暗黙的な意味を表現し,伝達し,解釈するために,新しい暗黙的意味コミュニケーション(iSAC)アーキテクチャを提案する。プロジェクションベースセマンティックエンコーダは, 明示的セマンティックスの高次元グラフィカル表現を低次元セマンティックコンステレーション空間に変換し, 効率的な物理チャネル伝送を実現する。ソースユーザの暗黙的意味推論過程を学習し、模倣できるようにするため、G-RMLと呼ばれる生成逆模倣学習ベースのソリューションが提案されている。
論文参考訳（メタデータ） (2023-06-20T01:32:27Z)
Robust Information Bottleneck for Task-Oriented Communication with Digital Modulation [31.39386509261528]
タスク指向通信は、主に学習ベースのジョイントソースチャネル符号化(JSCC)を用いており、通信効率のよいエッジ推論システムを設計することを目的としている。チャネル変動に対する通信ロバスト性を改善するために,ロバスト情報ボトルネック (RIB) と呼ばれるロバスト符号化フレームワークを開発した。提案するDT-JSCCは,通信遅延の低いベースライン方式よりも優れた推論性能を実現する。
論文参考訳（メタデータ） (2022-09-21T14:21:14Z)
Semantic Communications with Discrete-time Analog Transmission: A PAPR Perspective [11.777292228706742]
DeepJSCCベースのセマンティックコミュニケーションの優れた特徴は、ソース信号から直接意味認識機能を利用することと、これらの特徴の離散時間アナログ伝送(DTAT)である。従来のデジタル通信と比較すると、DeepJSCCとのセマンティック通信は受信機での復元性能に優れ、チャンネル品質の低下を伴う優雅な劣化を提供するが、伝送信号のピーク対平均電力比(PAPR)も大きい。
論文参考訳（メタデータ） (2022-08-17T15:07:25Z)
Perceptual Learned Source-Channel Coding for High-Fidelity Image Semantic Transmission [7.692038874196345]
本稿では, 深部JSCCの最適化のために, 対向損失を導入する。我々の新しい深層JSCCアーキテクチャは、エンコーダ、無線チャネル、デコーダ/ジェネレータ、および識別器を組み合わせたものである。ユーザスタディでは、知覚的に類似したエンドツーエンドの画像伝送品質を達成することで、約50%の無線チャネル帯域幅コストを節約できることを確認した。
論文参考訳（メタデータ） (2022-05-26T03:05:13Z)
Nonlinear Transform Source-Channel Coding for Semantic Communications [7.81628437543759]
本稿では,非線形変換の下での音源分布に密に適応できる,高効率なディープジョイントソースチャネル符号化法を提案する。本モデルでは, 非線形変換を強みとして組み込んで, 音源のセマンティックな特徴を効果的に抽出する。特に、NTSCC法は、その活発なコンテンツ認識能力のために、将来的なセマンティックコミュニケーションをサポートする可能性がある。
論文参考訳（メタデータ） (2021-12-21T03:30:46Z)
End-to-End Learning for Uplink MU-SIMO Joint Transmitter and Non-Coherent Receiver Design in Fading Channels [11.182920270301304]
JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
論文参考訳（メタデータ） (2021-05-04T02:47:59Z)
Decentralized Learning for Channel Allocation in IoT Networks over Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-03-30T10:05:35Z)

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。