論文の概要: Knowledge Abstraction for Knowledge-based Semantic Communication: A Generative Causality Invariant Approach

• arxiv url: http://arxiv.org/abs/2507.17784v1
• Date: Wed, 23 Jul 2025 06:56:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:42.228246
• Title: Knowledge Abstraction for Knowledge-based Semantic Communication: A Generative Causality Invariant Approach
• Title（参考訳）: 知識に基づく意味コミュニケーションのための知識抽象化:生成因果不変アプローチ
• Authors: Minh-Duong Nguyen, Quoc-Viet Pham, Nguyen H. Tran, Hoang-Khoi Do, Duy T. Ngo, Won-Joo Hwang,
• Abstract要約: 本稿では,因果関係の不変学習を利用して因果関係や非因果関係の表現を抽出する生成逆数ネットワークを提案する。 因果関係不変の知識は、多様なトレーニングデータにもかかわらず、異なるデバイス間で一貫性を保証する。 我々の知識に基づくデータ再構成は、Pak Signal-to-Noise Ratio (PSNR) の観点から、他の最先端データ再構成や意味的圧縮手法を超越したデコーダの堅牢性を強調します。
• 参考スコア（独自算出の注目度）: 4.09282702124671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we design a low-complexity and generalized AI model that can capture common knowledge to improve data reconstruction of the channel decoder for semantic communication. Specifically, we propose a generative adversarial network that leverages causality-invariant learning to extract causal and non-causal representations from the data. Causal representations are invariant and encompass crucial information to identify the data's label. They can encapsulate semantic knowledge and facilitate effective data reconstruction at the receiver. Moreover, the causal mechanism ensures that learned representations remain consistent across different domains, making the system reliable even with users collecting data from diverse domains. As user-collected data evolves over time causing knowledge divergence among users, we design sparse update protocols to improve the invariant properties of the knowledge while minimizing communication overheads. Three key observations were drawn from our empirical evaluations. Firstly, causality-invariant knowledge ensures consistency across different devices despite the diverse training data. Secondly, invariant knowledge has promising performance in classification tasks, which is pivotal for goal-oriented semantic communications. Thirdly, our knowledge-based data reconstruction highlights the robustness of our decoder, which surpasses other state-of-the-art data reconstruction and semantic compression methods in terms of Peak Signal-to-Noise Ratio (PSNR).
• Abstract（参考訳）: 本研究では、共通知識を捕捉し、セマンティック通信のためのチャネルデコーダのデータ再構成を改善する、低複雑さで一般化されたAIモデルを設計する。 具体的には、因果関係不変学習を利用して、データから因果関係や非因果関係の表現を抽出する生成逆ネットワークを提案する。 因果表現は不変であり、データのラベルを識別するための重要な情報を含んでいる。 セマンティックな知識をカプセル化し、受信側で効果的なデータ再構成を容易にする。 さらに、因果的メカニズムにより、学習された表現が異なるドメイン間で一貫していることが保証され、ユーザが多様なドメインからデータを収集しても、システムは信頼性が高い。 ユーザが収集したデータは時間とともに進化し,ユーザ間で知識のばらつきが生じるため,コミュニケーションのオーバーヘッドを最小限に抑えながら,知識の不変性を改善するためにスパース更新プロトコルを設計する。 経験的評価から3つの重要な観察結果を得た。 第一に、因果不変の知識は、多様なトレーニングデータにもかかわらず、異なるデバイス間での一貫性を保証する。 第二に、不変知識は、ゴール指向のセマンティックコミュニケーションにおいて重要な分類タスクにおいて、有望な性能を持つ。 第3に,我々の知識に基づくデータ再構成は,Pak Signal-to-Noise Ratio (PSNR) の観点から,他の最先端データ再構成や意味的圧縮手法を超越したデコーダの堅牢性を強調している。

関連論文リスト

• Diffusion-based Task-oriented Semantic Communications with Model Inversion Attack [6.115539523178243]
  タスク指向セマンティックコミュニケーションは、6Gネットワークのための有望なニューラルネットワークベースのシステム設計である。 そこで我々はDiffSemという拡散型セマンティック・コミュニケーション・フレームワークを提案し,セマンティック・インフォメーションの再構築を最適化した。 その結果,DiffSemは分類精度を10.03%向上し,動的チャネル下での安定した性能を維持した。
  論文  参考訳（メタデータ） (2025-06-24T05:21:27Z)
• Reinforced Interactive Continual Learning via Real-time Noisy Human Feedback [59.768119380109084]
  本稿では,AIモデルがリアルタイムフィードバックから新たなスキルを動的に学習する対話型連続学習パラダイムを提案する。 大規模言語モデル(LLM)を活用した強化型対話型連続学習フレームワークRiCLを提案する。 我々のRiCLアプローチは、最先端のオンライン連続学習とノイズラベル学習の既存の組み合わせを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-05-15T03:22:03Z)
• Transfer Learning Under High-Dimensional Network Convolutional Regression Model [20.18595334666282]
  ネットワーク畳み込み回帰(NCR)に基づく高次元移動学習フレームワークを提案する。 提案手法は、ソースとターゲットネットワーク間のドメインシフトに対処する2段階の転送学習アルゴリズムを含む。 Sina Weiboデータを用いたシミュレーションや実世界のアプリケーションを含む経験的評価は、予測精度を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2025-04-28T16:52:28Z)
• 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)
• 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)
• Bridged-GNN: Knowledge Bridge Learning for Effective Knowledge Transfer [65.42096702428347]
  グラフニューラルネットワーク(GNN)は、隣接するノードから情報を集約する。 知識ブリッジ学習(KBL)は、対象ドメインに対する知識強化後部分布を学習する。 Bridged-GNNには、Bridged-Graphを構築するためのAdaptive Knowledge Retrievalモジュールと、Graph Knowledge Transferモジュールが含まれている。
  論文  参考訳（メタデータ） (2023-08-18T12:14:51Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Cognitive Semantic Communication Systems Driven by Knowledge Graph: Principle, Implementation, and Performance Evaluation [74.38561925376996]
  単一ユーザと複数ユーザのコミュニケーションシナリオに対して,認知意味コミュニケーションフレームワークが2つ提案されている。 知識グラフから推論規則をマイニングすることにより,効果的な意味補正アルゴリズムを提案する。 マルチユーザ認知型セマンティックコミュニケーションシステムにおいて,異なるユーザのメッセージを識別するために,メッセージ復元アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T12:01:43Z)
• Semantic-Native Communication: A Simplicial Complex Perspective [50.099494681671224]
  トポロジカル空間の観点から意味コミュニケーションを研究する。 送信機はまずデータを$k$の単純複素数にマッピングし、その高次相関を学習する。 受信機は構造を復号し、行方不明または歪んだデータを推測する。
  論文  参考訳（メタデータ） (2022-10-30T22:33:44Z)
• Cognitive Semantic Communication Systems Driven by Knowledge Graph [33.29303908864777]
  知識グラフを利用した認知意味コミュニケーションフレームワークを提案する。 意味情報検出のためのシンプルで汎用的で解釈可能なソリューションを開発した。 提案システムは,データ圧縮率や通信の信頼性の観点から,他のベンチマークシステムよりも優れている。
  論文  参考訳（メタデータ） (2022-02-24T08:26:18Z)

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。