論文の概要: Adaptive Semantic Token Communication for Transformer-based Edge Inference

• arxiv url: http://arxiv.org/abs/2505.17604v1
• Date: Fri, 23 May 2025 08:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.916302
• Title: Adaptive Semantic Token Communication for Transformer-based Edge Inference
• Title（参考訳）: 変圧器を用いたエッジ推論のための適応的意味情報通信
• Authors: Alessio Devoto, Jary Pomponi, Mattia Merluzzi, Paolo Di Lorenzo, Simone Scardapane,
• Abstract要約: 本稿では,動的変換器を用いたディープジョイントソースチャネル符号化アーキテクチャに基づくエッジ推論のための適応的フレームワークを提案する。 我々は,情報的特徴を1サンプルあたりのユーザ指定トークン数に適応的に圧縮するセマンティックトークン選択機構を採用している。 動的ネットワーク条件下でのロバスト性を高めるために, Lyapunov 最適化に基づく資源配分アルゴリズムを組み込んだ。
• 参考スコア（独自算出の注目度）: 15.405730528104113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an adaptive framework for edge inference based on a dynamically configurable transformer-powered deep joint source channel coding (DJSCC) architecture. Motivated by a practical scenario where a resource constrained edge device engages in goal oriented semantic communication, such as selectively transmitting essential features for object detection to an edge server, our approach enables efficient task aware data transmission under varying bandwidth and channel conditions. To achieve this, input data is tokenized into compact high level semantic representations, refined by a transformer, and transmitted over noisy wireless channels. As part of the DJSCC pipeline, we employ a semantic token selection mechanism that adaptively compresses informative features into a user specified number of tokens per sample. These tokens are then further compressed through the JSCC module, enabling a flexible token communication strategy that adjusts both the number of transmitted tokens and their embedding dimensions. We incorporate a resource allocation algorithm based on Lyapunov stochastic optimization to enhance robustness under dynamic network conditions, effectively balancing compression efficiency and task performance. Experimental results demonstrate that our system consistently outperforms existing baselines, highlighting its potential as a strong foundation for AI native semantic communication in edge intelligence applications.
• Abstract（参考訳）: 本稿では動的に構成可能なトランスフォーマーを用いたディープジョイントソースチャネル符号化(DJSCC)アーキテクチャに基づくエッジ推論のための適応フレームワークを提案する。 リソース制約されたエッジデバイスが、エッジサーバにオブジェクト検出に必要な特徴を選択的に伝達するなど、目標指向のセマンティック通信に係わる現実的なシナリオにより、本手法は、様々な帯域幅とチャネル条件下での効率的なタスク認識データ伝送を可能にする。 これを実現するために、入力データは、コンパクトなハイレベルなセマンティック表現にトークン化され、トランスフォーマーによって洗練され、ノイズの多い無線チャネルを介して送信される。 DJSCCパイプラインの一部として,各サンプルあたりのユーザ指定トークン数に情報的特徴を適応的に圧縮するセマンティックトークン選択機構を採用している。 これらのトークンはJSCCモジュールを通じてさらに圧縮され、送信されたトークンの数と埋め込み次元の両方を調整するフレキシブルなトークン通信戦略が実現される。 動的ネットワーク条件下でのロバスト性を向上し,圧縮効率とタスク性能を効果的にバランスさせるために,リアプノフ確率最適化に基づく資源割当アルゴリズムを組み込んだ。 実験結果から,エッジインテリジェンスアプリケーションにおけるAIネイティブなセマンティックコミュニケーションの強力な基盤としての可能性を強調し,既存のベースラインを一貫して上回ることを示す。

関連論文リスト

• Modeling and Performance Analysis for Semantic Communications Based on Empirical Results [53.805458017074294]
  終端計測とSNRの関係をモデル化するためのAlpha-Beta-Gamma (ABG) 式を提案する。 画像再構成タスクでは、提案されたABG公式は、SCUNetやVision Transformerといった一般的なDLネットワークに適合する。 我々の知る限りでは、これはエンドツーエンドのパフォーマンス指標と意味コミュニケーションのためのSNRの間の最初の理論的表現である。
  論文  参考訳（メタデータ） (2025-04-29T06:07:50Z)
• Take What You Need: Flexible Multi-Task Semantic Communications with Channel Adaptation [51.53221300103261]
  本稿では,マスク付きオートエンコーダアーキテクチャに基づく,チャネル適応型・マルチタスク対応のセマンティックコミュニケーションフレームワークについて紹介する。 チャネル認識抽出器を用いて、リアルタイムのチャネル条件に応じて、関連情報を動的に選択する。 画像再構成や物体検出などのタスクにおける従来の手法と比較して,本手法の優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2025-02-12T09:01:25Z)
• Efficient Semantic Communication Through Transformer-Aided Compression [31.285983939625098]
  セマンティックコミュニケーションのためのチャネル対応適応フレームワークを提案する。 視覚変換器を用いて、パッチの意味的内容の尺度として注意マスクを解釈する。 本手法は,エンコード解像度をコンテンツ関連性に適応させることで通信効率を向上させる。
  論文  参考訳（メタデータ） (2024-12-02T18:57:28Z)
• Adaptive Semantic Token Selection for AI-native Goal-oriented Communications [11.92172357956248]
  本稿では,AIネイティブな目標指向通信のための新しい設計を提案する。 我々は、帯域幅と計算量に対する動的推論制約の下でトランスフォーマーニューラルネットワークを利用する。 提案手法は,最先端のトークン選択機構よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-25T13:49:50Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)
• Adaptive Resource Allocation for Semantic Communication Networks [34.189531352110386]
  本稿では,意味的量子化効率(SQE)や伝送遅延などのセマンティック通信ネットワークにおけるサービス品質について検討する。 全体として有効なSC-QoSを最大化する問題は、基地局、ビット意味表現、サブチャネル割り当て、およびセマンティックリソース割り当てを共同で送信することで定式化される。 本設計では, セマンティックノイズに効果的に対処でき, 無線通信において, 複数のベンチマーク方式と比較して優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-12-02T09:12:12Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Learning Task-Oriented Communication for Edge Inference: An Information Bottleneck Approach [3.983055670167878]
  ローエンドエッジ装置は、ローカルデータサンプルの抽出された特徴ベクトルを強力なエッジサーバに送信して処理する。 帯域幅が限られているため、データを低遅延推論のための情報的かつコンパクトな表現に符号化することが重要である。 特徴抽出,ソース符号化,チャネル符号化を協調的に最適化する学習型通信方式を提案する。
  論文  参考訳（メタデータ） (2021-02-08T12:53:32Z)

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。