論文の概要: Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges

• arxiv url: http://arxiv.org/abs/2411.18199v1
• Date: Wed, 27 Nov 2024 10:21:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:25:00.737385
• Title: Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges
• Title（参考訳）: 6Gネットワークにおけるセマンティックエッジコンピューティングとセマンティックコミュニケーション
• Authors: Milin Zhang, Mohammad Abdi, Venkat R. Dasari, Francesco Restuccia,
• Abstract要約: Semantic Edge Computing (SEC) と Semantic Communications (SemCom) は、6G無線ネットワークでリアルタイムエッジ対応インテリジェンスを実現するための実行可能なアプローチとして提案されている。 この2つの分野の研究問題を要約し、技術的強みと課題に焦点をあてて、技術の現状を包括的にレビューする。
• 参考スコア（独自算出の注目度）: 7.7540265798039725
• License:
• Abstract: Semantic Edge Computing (SEC) and Semantic Communications (SemComs) have been proposed as viable approaches to achieve real-time edge-enabled intelligence in sixth-generation (6G) wireless networks. On one hand, SemCom leverages the strength of Deep Neural Networks (DNNs) to encode and communicate the semantic information only, while making it robust to channel distortions by compensating for wireless effects. Ultimately, this leads to an improvement in the communication efficiency. On the other hand, SEC has leveraged distributed DNNs to divide the computation of a DNN across different devices based on their computational and networking constraints. Although significant progress has been made in both fields, the literature lacks a systematic view to connect both fields. In this work, we fulfill the current gap by unifying the SEC and SemCom fields. We summarize the research problems in these two fields and provide a comprehensive review of the state of the art with a focus on their technical strengths and challenges.
• Abstract（参考訳）: Semantic Edge Computing (SEC) と Semantic Communications (SemComs) は、第6世代 (6G) 無線ネットワークでリアルタイムエッジ対応インテリジェンスを実現するための実行可能なアプローチとして提案されている。 一方、SemComはDeep Neural Networks(DNN)の強みを利用して、セマンティック情報のみをエンコードし、伝達すると同時に、無線効果を補償することでチャネル歪みに対して堅牢である。 最終的には、コミュニケーション効率が向上します。 一方、SECは分散DNNを活用して、DNNの計算を計算とネットワークの制約に基づいて異なるデバイスに分割している。 両分野とも大きな進展があったが、両分野を結びつける体系的な見解が欠如している。 この作業では、SECとSemComの分野を統合することで、現在のギャップを埋めます。 この2つの分野の研究問題を要約し、その技術的強みと課題に焦点をあてて、最先端技術に関する総合的なレビューを行う。

関連論文リスト

• Generative AI-driven Cross-layer Covert Communication: Fundamentals, Framework and Case Study [62.5909195375364]
  規制上の課題を軽減する効果的な戦略として、層間被覆通信機構が出現する。 生成人工知能(GenAI)を用いたエンドツーエンドのクロス層通信方式を提案する。 拡散強化学習を用いて, 層間安全な通信のクラウドエッジインターネットを構築するケーススタディを行った。
  論文  参考訳（メタデータ） (2025-01-19T15:05:03Z)
• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Large Language Models (LLMs) for Semantic Communication in Edge-based IoT Networks [0.0]
  大きな言語モデル(LLM)は、数十億のパラメータを持つ多様なデータセットの広範なトレーニングに基づいて、人間のようなテキストを理解し、生成することができる。 LLMは、IoTネットワークにおける効率的な通信のために、ネットワークエッジでのセマンティック通信の傘の下で使用することができる。
  論文  参考訳（メタデータ） (2024-07-30T16:57:41Z)
• Semantic Revolution from Communications to Orchestration for 6G: Challenges, Enablers, and Research Directions [16.807697160355303]
  本稿では,KB-MANO(Knowledge Base Management and Orchestration)フレームワークを紹介する。 KB-MANOは、知識の更新と再配布に特化したネットワークおよびコンピューティングリソースの割り当てを目的としている。 KB-MANOと無線アクセスネットワークのリソース割り当ての統合を実証するために概念実証法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T09:04:09Z)
• Artificial Intelligence for Satellite Communication: A Review [91.3755431537592]
  この研究は、AI、その多様なサブフィールド、そして最先端のアルゴリズムの概要を提供する。 さまざまな衛星通信分野へのAIの適用は、ビームホッピング、アンチジャミング、ネットワークトラフィック予測、チャネルモデリング、テレメトリマイニング、電離圏シンチレーション検出、干渉管理、リモートセンシング、行動モデリング、スペースエアグラウンド統合、エネルギー管理など、優れた可能性を実証しています。
  論文  参考訳（メタデータ） (2021-01-25T13:01:16Z)
• Spiking Neural Networks -- Part III: Neuromorphic Communications [38.518936229794214]
  ますますワイヤレスに接続されるデバイスの存在は、機械学習の進歩を輸出しようと努力している。 帯域制限されたチャネルを介して接続されたバッテリ駆動デバイス上での学習と推論のための機械学習モデルの実装は依然として困難である。 本稿では、スパイキングニューラルネットワーク(SNN)がこれらのオープンな問題に対処する2つの方法を探る。
  論文  参考訳（メタデータ） (2020-10-27T11:52:35Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)
• Communicate to Learn at the Edge [21.673987528292773]
  機械学習技術は、多くの新しいサービスやビジネスを可能にするだけでなく、技術的な課題や研究課題も生み出す。 MLアルゴリズムの成功に重要な2つの要因は、大量のデータと処理能力である。 本稿では,エッジ学習の訓練段階と推論段階の両方において,共同コミュニケーションと学習パラダイムを論じる。
  論文  参考訳（メタデータ） (2020-09-28T12:33:31Z)
• A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G: Integrating Domain Knowledge into Deep Learning [115.75967665222635]
  超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。 ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。 このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
  論文  参考訳（メタデータ） (2020-09-13T14:53:01Z)
• Redefining Wireless Communication for 6G: Signal Processing Meets Deep Learning with Deep Unfolding [17.186326961526994]
  提案する6G通信アーキテクチャがもたらすサービス要件と課題について述べる。 従来のアルゴリズムの原則とデータに精通したディープラーニングアプローチの欠陥について概説する。 本稿では,将来の6Gネットワークにおいて,ハードウェア効率の高いエッジインテリジェンスを実現するためのオープンな研究課題を動機づける。
  論文  参考訳（メタデータ） (2020-04-22T17:20:00Z)
• 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。