論文の概要: A Semantic-Loss Function Modeling Framework With Task-Oriented Machine Learning Perspectives
- arxiv url: http://arxiv.org/abs/2503.09903v1
- Date: Wed, 12 Mar 2025 23:45:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-14 15:51:07.090871
- Title: A Semantic-Loss Function Modeling Framework With Task-Oriented Machine Learning Perspectives
- Title（参考訳）: タスク指向機械学習を用いたセマンティックロス関数モデリングフレームワーク
- Authors: Ti Ti Nguyen, Thanh-Dung Le, Vu Nguyen Ha, Hong-fu Chou, Geoffrey Eappen, Duc-Dung Tran, Hung Nguyen-Kha, Prabhu Thiruvasagam, Luis M. Garces-Socarras, Jorge L. Gonzalez-Rios, Juan C. Merlano-Duncan, Symeon Chatzinotas,
- Abstract要約: データ駆動型地球観測(EO)アプリケーションの性能は、データ収集と送信プロセスに大きく影響されている。
セマンティック・コミュニケーション(SC)の概念を採用することで、生の情報に対する本質的なデータセマンティクスの伝達を優先順位付けすることで、有望なソリューションを提供する。
本研究では、実世界のEOデータセットとドメイン固有の洞察を用いて、セマンティック損失を経験的にモデル化する新しいデータ適合フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 26.82506860792313
- License:
- Abstract: The integration of machine learning (ML) has significantly enhanced the capabilities of Earth Observation (EO) systems by enabling the extraction of actionable insights from complex datasets. However, the performance of data-driven EO applications is heavily influenced by the data collection and transmission processes, where limited satellite bandwidth and latency constraints can hinder the full transmission of original data to the receivers. To address this issue, adopting the concepts of Semantic Communication (SC) offers a promising solution by prioritizing the transmission of essential data semantics over raw information. Implementing SC for EO systems requires a thorough understanding of the impact of data processing and communication channel conditions on semantic loss at the processing center. This work proposes a novel data-fitting framework to empirically model the semantic loss using real-world EO datasets and domain-specific insights. The framework quantifies two primary types of semantic loss: (1) source coding loss, assessed via a data quality indicator measuring the impact of processing on raw source data, and (2) transmission loss, evaluated by comparing practical transmission performance against the Shannon limit. Semantic losses are estimated by evaluating the accuracy of EO applications using four task-oriented ML models, EfficientViT, MobileViT, ResNet50-DINO, and ResNet8-KD, on lossy image datasets under varying channel conditions and compression ratios. These results underpin a framework for efficient semantic-loss modeling in bandwidth-constrained EO scenarios, enabling more reliable and effective operations.
- Abstract（参考訳）: 機械学習(ML)の統合は、複雑なデータセットから実行可能な洞察を抽出できるようにすることで、地球観測(EO)システムの機能を大幅に強化した。
しかし、データ駆動型EOアプリケーションの性能は、衛星帯域幅の制限と遅延制限が、受信機への元のデータの完全な送信を妨げるデータ収集および送信プロセスに大きく影響している。
この問題に対処するため,セマンティック・コミュニケーション (SC) の概念を採用することで, 生情報に対する本質的なデータセマンティクスの伝達を優先順位付けすることで, 有望な解決策を提供する。
EOシステムのためのSCの実装には、データ処理と通信チャネル条件が処理センタのセマンティックロスに与える影響を徹底的に理解する必要がある。
本研究では、実世界のEOデータセットとドメイン固有の洞察を用いて、セマンティック損失を経験的にモデル化する新しいデータ適合フレームワークを提案する。
本フレームワークは,(1) ソースデータに対する処理の影響を測定するデータ品質指標を用いて評価したソース符号化損失と,(2) シャノン限界に対する実用的な送信性能を比較して評価した送信損失の2つの主要なタイプの意味損失を定量化する。
4つのタスク指向MLモデル、EfficientViT, MobileViT, ResNet50-DINO, ResNet8-KD を用いて、チャネル条件や圧縮比の異なる損失画像データセットを用いて、EOアプリケーションの精度を評価することにより、セマンティック損失を推定する。
これらの結果は、帯域制限のEOシナリオにおける効率的なセマンティック・ロス・モデリングの枠組みを導いており、より信頼性が高く効果的な操作を可能にしている。
関連論文リスト
- Enhancing Scene Classification in Cloudy Image Scenarios: A Collaborative Transfer Method with Information Regulation Mechanism using Optical Cloud-Covered and SAR Remote Sensing Images [6.35948253619752]
本研究では,マルチモーダルデータを組み合わせたシーン分類変換手法を提案する。
クラウドフリーの光学データに基づいてトレーニングされたソースドメインモデルを、クラウドの光学データとSARデータの両方を含むターゲットドメインに低コストで転送することを目的としている。
論文 参考訳（メタデータ） (2025-01-08T05:14:36Z) - Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。
提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。
主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文 参考訳（メタデータ） (2024-07-24T09:11:34Z) - Latent Diffusion Model-Enabled Low-Latency Semantic Communication in the Presence of Semantic Ambiguities and Wireless Channel Noises [18.539501941328393]
本稿では,ソースデータのアウトレイラを処理するために,遅延拡散モデルを用いたSemComシステムを開発した。
軽量な単層遅延空間変換アダプタは、送信機でのワンショット学習を完了させる。
終端整合蒸留法を用いて, 潜時空間で訓練した拡散模型を蒸留する。
論文 参考訳（メタデータ） (2024-06-09T23:39:31Z) - Tackling Distribution Shifts in Task-Oriented Communication with Information Bottleneck [28.661084093544684]
本稿では,情報ボトルネック(IB)原理と不変リスク最小化(IRM)フレームワークに基づく新しいアプローチを提案する。
提案手法は,効率的な領域シフト一般化のための高機能を有するコンパクトかつ情報的特徴を抽出することを目的としている。
提案手法は最先端の手法より優れ、より優れたレート歪みトレードオフを実現することを示す。
論文 参考訳（メタデータ） (2024-05-15T17:07:55Z) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-04T04:18:01Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - Probing transfer learning with a model of synthetic correlated datasets [11.53207294639557]
トランスファーラーニングはニューラルネットワークのサンプル効率を大幅に向上させることができる。
我々は、データセット間の相関をモデル化するためのフレームワークとして、合成データの解決可能なモデルを再考する。
本研究では,本モデルが実データを用いた伝達学習の多彩な特徴を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-06-09T22:15:41Z) - LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文 参考訳（メタデータ） (2021-02-05T04:26:05Z) - Physics-Informed Deep Learning for Traffic State Estimation [3.779860024918729]
交通状態推定(TSE)は、部分的に観測されたデータを用いて道路セグメント上の交通変数(例えば密度)を再構築する。
本論文では,少量の観測データを用いて高品質なTSEを効率的に実行するための物理情報深層学習(PIDL)フレームワークについて紹介する。
論文 参考訳（メタデータ） (2021-01-17T03:28:32Z) - Towards Accurate Knowledge Transfer via Target-awareness Representation
Disentanglement [56.40587594647692]
本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。
TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。
各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
論文 参考訳（メタデータ） (2020-10-16T17:45:08Z)
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。