論文の概要: Low-Latency Task-Oriented Communications with Multi-Round, Multi-Task Deep Learning

• arxiv url: http://arxiv.org/abs/2411.10385v1
• Date: Fri, 15 Nov 2024 17:48:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:38:39.869821
• Title: Low-Latency Task-Oriented Communications with Multi-Round, Multi-Task Deep Learning
• Title（参考訳）: マルチラウンド・マルチタスク深層学習を用いた低レイテンシタスク指向通信
• Authors: Yalin E. Sagduyu, Tugba Erpek, Aylin Yener, Sennur Ulukus,
• Abstract要約: 本稿では,マルチラウンド・マルチタスク・ラーニング(MRMTL)によるマルチラウンド・トランスミッションにおけるチャネル利用の動的更新を提案する。 MRMTLはタスク指向通信の効率を大幅に向上することを示す。
• 参考スコア（独自算出の注目度）: 45.622060532244944
• License:
• Abstract: In this paper, we address task-oriented (or goal-oriented) communications where an encoder at the transmitter learns compressed latent representations of data, which are then transmitted over a wireless channel. At the receiver, a decoder performs a machine learning task, specifically for classifying the received signals. The deep neural networks corresponding to the encoder-decoder pair are jointly trained, taking both channel and data characteristics into account. Our objective is to achieve high accuracy in completing the underlying task while minimizing the number of channel uses determined by the encoder's output size. To this end, we propose a multi-round, multi-task learning (MRMTL) approach for the dynamic update of channel uses in multi-round transmissions. The transmitter incrementally sends an increasing number of encoded samples over the channel based on the feedback from the receiver, and the receiver utilizes the signals from a previous round to enhance the task performance, rather than only considering the latest transmission. This approach employs multi-task learning to jointly optimize accuracy across varying number of channel uses, treating each configuration as a distinct task. By evaluating the confidence of the receiver in task decisions, MRMTL decides on whether to allocate additional channel uses in multiple rounds. We characterize both the accuracy and the delay (total number of channel uses) of MRMTL, demonstrating that it achieves the accuracy close to that of conventional methods requiring large numbers of channel uses, but with reduced delay by incorporating signals from a prior round. We consider the CIFAR-10 dataset, convolutional neural network architectures, and AWGN and Rayleigh channel models for performance evaluation. We show that MRMTL significantly improves the efficiency of task-oriented communications, balancing accuracy and latency effectively.
• Abstract（参考訳）: 本稿では,送信機のエンコーダが圧縮された潜在データ表現を学習し,それを無線チャネル経由で送信するタスク指向(あるいは目標指向)通信に対処する。 受信機では、デコーダが、特に受信した信号を分類するために、機械学習タスクを実行する。 エンコーダ-デコーダペアに対応するディープニューラルネットワークは、チャネル特性とデータ特性の両方を考慮して、共同でトレーニングされる。 本研究の目的は,エンコーダの出力サイズによって決定されるチャネル数を最小限に抑えながら,基礎となるタスクを完了する際の精度を高めることである。 そこで本研究では,マルチラウンド・マルチタスク・ラーニング(MRMTL)手法を提案する。 送信機は、受信機からのフィードバックに基づいて、チャネル上のエンコードされたサンプルを漸進的に送信し、受信機は、前のラウンドからの信号を利用して、最新の送信のみを考慮するのではなく、タスク性能を向上させる。 このアプローチでは、マルチタスク学習を使用して、さまざまなチャネル使用回数の精度を共同で最適化し、各構成を個別のタスクとして扱う。 タスク決定における受信者の信頼性を評価することにより、MRMTLは複数のラウンドで追加のチャネルの使用を割り当てるかどうかを決定する。 我々は,MRMTLの精度と遅延(チャネル使用総数)の両方を特徴付け,多数のチャネル使用を必要とする従来の方法に近い精度を達成できるが,先行ラウンドからの信号を組み込むことで遅延を低減できることを示す。 CIFAR-10データセット、畳み込みニューラルネットワークアーキテクチャ、および性能評価のためのAWGNとRayleighチャネルモデルを検討する。 MRMTLはタスク指向通信の効率を大幅に向上し、精度とレイテンシのバランスをとることができる。

関連論文リスト

• Joint Sensing and Semantic Communications with Multi-Task Deep Learning [45.622060532244944]
  本稿では,協調センシングとコミュニケーションのための深層学習技術の統合と,セマンティックコミュニケーションの拡張について検討する。 統合システムは、無線チャンネル上で動作し、ノイズやフェーディングを受ける送信機と受信機とを備える。 送信機はディープニューラルネットワーク(DNN)、すなわちエンコーダを使用し、ソース符号化、チャネル符号化、変調のジョイント操作を行う。 受信機は別のDNN、すなわちデコーダを使用して、復調、チャネル復号、ソース復号のジョイント操作を行い、データサンプルを再構築する。
  論文  参考訳（メタデータ） (2023-11-08T21:03:43Z)
• Multi-Receiver Task-Oriented Communications via Multi-Task Deep Learning [49.83882366499547]
  本稿では、送信機が複数の受信機と通信する環境でのタスク指向通信について検討する。 複数のタスクを完了し、複数の受信機と通信する共同最適化のためのマルチタスク深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T01:34:34Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Age of Information in Deep Learning-Driven Task-Oriented Communications [78.84264189471936]
  本稿では,その送信機におけるデータを利用した受信機におけるタスク実行を目的とした,タスク指向コミュニケーションにおける年齢概念について検討する。 送信機-受信機操作は、共同で訓練されたディープニューラルネットワーク(DNN)のエンコーダ-デコーダペアとしてモデル化される。
  論文  参考訳（メタデータ） (2023-01-11T04:15:51Z)
• SigT: An Efficient End-to-End MIMO-OFDM Receiver Framework Based on Transformer [16.00729720170457]
  SigTという名前のtextit Transformer に基づく新しいエンド・ツー・エンド・レシーバフレームワークが提案されている。 実験結果から,SigTはベンチマーク法よりも信号回復精度が高いことがわかった。
  論文  参考訳（メタデータ） (2022-11-02T14:08:16Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。