論文の概要: Distillation-Enabled Knowledge Alignment for Generative Semantic Communications in AIGC Provisioning Tasks

• arxiv url: http://arxiv.org/abs/2506.19893v1
• Date: Tue, 24 Jun 2025 10:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.483045
• Title: Distillation-Enabled Knowledge Alignment for Generative Semantic Communications in AIGC Provisioning Tasks
• Title（参考訳）: AIGCプロビジョニングタスクにおける生成意味コミュニケーションのための蒸留可能知識アライメント
• Authors: Jingzhi Hu, Geoffrey Ye Li,
• Abstract要約: ジェネレーティブ・セマンティック・コミュニケーション(GSC)は、高度にコンパクトな情報を伝達することで有望なソリューションを提供する。 GSCは、クラウド生成AI(GAI)の知識と、エッジとユーザが所有する知識の整合性に依存している。 GSCシステムのための蒸留可能な知識アライメントアルゴリズムであるDeKA-gを提案する。
• 参考スコア（独自算出の注目度）: 38.5438416972178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the surging amount of AI-generated content (AIGC), its provisioning to edges and mobile users from the cloud incurs substantial traffic on networks. Generative semantic communication (GSC) offers a promising solution by transmitting highly compact information, i.e., prompt text and latent representations, instead of high-dimensional AIGC data. However, GSC relies on the alignment between the knowledge in the cloud generative AI (GAI) and that possessed by the edges and users, and between the knowledge for wireless transmission and that of actual channels, which remains challenging. In this paper, we propose DeKA-g, a distillation-enabled knowledge alignment algorithm for GSC systems. The core idea is to distill the generation knowledge from the cloud-GAI into low-rank matrices, which can be incorporated by the edge and used to adapt the transmission knowledge to diverse wireless channel conditions. DeKA-g comprises two novel methods: metaword-aided knowledge distillation (MAKD) and variable-rate grouped SNR adaptation (VGSA). For MAKD, an optimized metaword is employed to enhance the efficiency of knowledge distillation, while VGSA enables efficient adaptation to diverse compression rates and SNR ranges. From simulation results, DeKA-g improves the alignment between the edge-generated images and the cloud-generated ones by 44%. Moreover, it adapts to compression rates with 116% higher efficiency than the baseline and enhances the performance in low-SNR conditions by 28%.
• Abstract（参考訳）: AI生成コンテンツ(AIGC)の急増により、エッジやクラウドからのモバイルユーザへのプロビジョニングは、ネットワーク上でかなりのトラフィックを発生させる。 ジェネレーティブ・セマンティック・コミュニケーション(GSC)は、高次元のAIGCデータではなく、テキストと潜在表現を高速に送信することで、有望な解決策を提供する。 しかし、GSCは、クラウド生成AI(GAI)の知識と、エッジとユーザによって所有される知識と、無線通信に関する知識と実際のチャネルの知識との整合性に依存している。 本稿では,GSCシステムのための蒸留型知識アライメントアルゴリズムであるDeKA-gを提案する。 中心となる考え方は、クラウドGAIから発生した知識を低ランクの行列に蒸留し、エッジに組み込むことができ、伝送知識を様々な無線チャネル条件に適応させることである。 DeKA-gはメタワード型知識蒸留(MAKD)と可変レート型SNR適応(VGSA)の2つの新しい方法からなる。 MAKDでは、知識蒸留の効率を高めるために最適化されたメタワードが使用され、VGSAは多様な圧縮速度やSNRの範囲に適応することができる。 シミュレーション結果から、DeKA-gはエッジ生成画像とクラウド生成画像とのアライメントを44%改善する。 さらに、ベースラインよりも116%高い圧縮率に適応し、低SNR条件下での性能を28%向上させる。

関連論文リスト

• Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
  CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。 本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。 提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
  論文  参考訳（メタデータ） (2025-05-12T01:36:06Z)
• Knowledge Distillation: Enhancing Neural Network Compression with Integrated Gradients [0.0]
  本稿では,知識蒸留(KD)と統合勾配(IG)を併用した機械学習フレームワークを提案する。 本稿では,教師モデルから事前計算されたIGマップを訓練画像上にオーバーレイして,コンパクトな学生モデルを重要な特徴表現へ導く,新たなデータ拡張戦略を提案する。 CIFAR-10の実験は,本手法の有効性を実証している: MobileNet-V2 教師の4.1倍圧縮した学生モデルでは,標準の 91.4% と従来の KD アプローチを上回り,分類精度92.5% を達成し,推論遅延を 140 ms から 13 ms-a 10fold に低減した。
  論文  参考訳（メタデータ） (2025-03-17T10:07:50Z)
• PCE-GAN: A Generative Adversarial Network for Point Cloud Attribute Quality Enhancement based on Optimal Transport [56.56430888985025]
  点雲品質向上のための生成逆ネットワーク(PCE-GAN)を提案する。 ジェネレータは、局所特徴抽出(LFE)ユニット、大域空間相関(GSC)ユニット、特徴圧縮ユニットからなる。 判別器は、強化点雲と原点雲の確率分布のずれを計算し、ジェネレータを誘導して高品質な再構成を実現する。
  論文  参考訳（メタデータ） (2025-02-26T07:34:33Z)
• AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence [65.29835430845893]
  本稿では,AI-in-the-loopジョイントセンシングと通信によるエッジインテリジェンス向上のためのフレームワークを提案する。 私たちの研究の重要な貢献は、バリデーション損失とシステムのチューニング可能なパラメータとの間に明確な関係を確立することです。 提案手法は, 通信エネルギー消費を最大77%削減し, 試料数で測定した検知コストを最大52%削減する。
  論文  参考訳（メタデータ） (2025-02-14T14:56:58Z)
• A Wireless AI-Generated Content (AIGC) Provisioning Framework Empowered by Semantic Communication [53.78269720999609]
  本稿では,セマンティック通信(SemCom)を利用したAIGC(SemAIGC)の生成と伝送フレームワークを提案する。 具体的には、セマンティックエンコーダとデコーダに拡散モデルを統合し、ワークロード調整可能なトランシーバを設計する。 提案するSemAIGCフレームワークは,従来の手法に比べてレイテンシとコンテンツ品質が優れていることがシミュレーションによって検証された。
  論文  参考訳（メタデータ） (2023-10-26T18:05:22Z)
• Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
  無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。 我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。 最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-09T09:30:23Z)
• Effective classification of ecg signals using enhanced convolutional neural network in iot [0.0]
  本稿では、動的ソースルーティング(DSR)とエネルギーリンク品質(REL)に基づくIoTヘルスケアプラットフォームのためのルーティングシステムを提案する。 Deep-ECGは、重要な特徴を抽出するためにディープCNNを使用し、単純かつ高速な距離関数を用いて比較する。 その結果,提案手法は分類精度において他よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-08T13:37:23Z)
• Conditionally Deep Hybrid Neural Networks Across Edge and Cloud [6.442928757682793]
  本稿では,AIベースのフォグコンピューティングを実現するための条件付きディープハイブリッドニューラルネットワークを提案する。 提案するネットワークは、量子化された層と、エッジの早期出口と、クラウド上の完全精度の層で構成される分散的に展開することができる。 両層がエッジにある場合,提案した条件付きハイブリッドネットワークは,エッジでの推論の65%を処理し,計算エネルギーの5.5倍の削減を実現する。
  論文  参考訳（メタデータ） (2020-05-21T18:18:43Z)

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。