論文の概要: Deep Semantic Inference over the Air: An Efficient Task-Oriented Communication System
- arxiv url: http://arxiv.org/abs/2508.12748v1
- Date: Mon, 18 Aug 2025 09:18:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:11.145322
- Title: Deep Semantic Inference over the Air: An Efficient Task-Oriented Communication System
- Title（参考訳）: 空気の深部セマンティック推論:効率的なタスク指向通信システム
- Authors: Chenyang Wang, Roger Olsson, Stefan Forsström, Qing He,
- Abstract要約: 分類性能,計算遅延,通信コストを共同で検討する深層学習型タスク指向コミュニケーションフレームワークについて検討する。
我々はResNetsベースのモデルを採用し、それをCIFAR-10およびCIFAR-100データセット上で評価し、無線環境における現実世界の分類タスクをシミュレートする。
適切なモデル分割と意味的特徴圧縮により、システムは85%以上のベースライン精度を維持しながら、計算負荷と通信オーバーヘッドを著しく削減できる。
- 参考スコア（独自算出の注目度）: 8.459189717032647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Empowered by deep learning, semantic communication marks a paradigm shift from transmitting raw data to conveying task-relevant meaning, enabling more efficient and intelligent wireless systems. In this study, we explore a deep learning-based task-oriented communication framework that jointly considers classification performance, computational latency, and communication cost. We adopt ResNets-based models and evaluate them on the CIFAR-10 and CIFAR-100 datasets to simulate real-world classification tasks in wireless environments. We partition the model at various points to simulate split inference across a wireless channel. By varying the split location and the size of the transmitted semantic feature vector, we systematically analyze the trade-offs between task accuracy and resource efficiency. Experimental results show that, with appropriate model partitioning and semantic feature compression, the system can retain over 85\% of baseline accuracy while significantly reducing both computational load and communication overhead.
- Abstract（参考訳）: ディープラーニングを活用したセマンティックコミュニケーションは、生データからタスク関連意味の伝達へのパラダイムシフトであり、より効率的でインテリジェントな無線システムを実現する。
本研究では、分類性能、計算遅延、通信コストを共同で検討する深層学習に基づくタスク指向コミュニケーションフレームワークについて検討する。
我々はResNetsベースのモデルを採用し、それをCIFAR-10およびCIFAR-100データセット上で評価し、無線環境における現実世界の分類タスクをシミュレートする。
我々は、無線チャネル間の分割推論をシミュレートするために、モデルを様々な点で分割する。
送信された意味特徴ベクトルの分割位置とサイズを変えることにより,タスク精度と資源効率のトレードオフを系統的に解析する。
実験結果から,適切なモデル分割とセマンティック特徴圧縮により,計算負荷と通信オーバーヘッドの両方を著しく低減しつつ,ベースライン精度の85%以上を維持することができることがわかった。
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) - Task-Oriented Low-Label Semantic Communication With Self-Supervised Learning [67.06363342414397]
タスク指向の意味コミュニケーションは、正確なメッセージではなく意味情報を伝達することで伝達効率を高める。
深層学習(DL)に基づく意味コミュニケーションは、意味抽出、伝達、解釈に不可欠な意味知識を効果的に育むことができる。
タスク推論性能を向上させるための自己教師付き学習ベースセマンティックコミュニケーションフレームワーク(SLSCom)を提案する。
論文 参考訳（メタデータ） (2025-05-26T13:06:18Z) - Underlying Semantic Diffusion for Effective and Efficient In-Context Learning [113.4003355229632]
Underlying Semantic Diffusion (US-Diffusion)は、セマンティック学習、計算効率、文脈内学習能力を高める拡張拡散モデルである。
本稿では,フィードバック信号を利用したフィードバック支援学習(FAL)フレームワークを提案する。
また,高雑音レベルの時間ステップで高密度サンプリングを行うためのプラグイン・アンド・プレイの効率的なサンプリング戦略(ESS)を提案する。
論文 参考訳（メタデータ） (2025-03-06T03:06:22Z) - Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。
周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。
我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
論文 参考訳（メタデータ） (2024-08-29T08:53:26Z) - Personalized Decentralized Multi-Task Learning Over Dynamic
Communication Graphs [59.96266198512243]
本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。
本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。
合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
論文 参考訳（メタデータ） (2022-12-21T18:58:24Z) - 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) - 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) - Deep Learning-Enabled Semantic Communication Systems with Task-Unaware
Transmitter and Dynamic Data [43.308832291174106]
本稿では,画像伝送のためのニューラルネットワークを用いたセマンティックコミュニケーションシステムを提案する。
提案手法は,データ回復とタスク実行の両面で高い性能を維持しつつ,観測可能なデータセットに適応することができる。
論文 参考訳（メタデータ） (2022-04-30T13:45:50Z) - Rethinking the Tradeoff in Integrated Sensing and Communication:
Recognition Accuracy versus Communication Rate [21.149708253108788]
ISAC(Integrated Sensistance and Communication)は、バンド利用効率を向上させるための有望な技術である。
センシング性能と通信性能の間にはトレードオフがある。
本稿では、認識精度と通信データレートを同時に最大化する多目的最適化問題を定式化し、解決する。
論文 参考訳（メタデータ） (2021-07-20T17:00:35Z) - Learning Centric Wireless Resource Allocation for Edge Computing:
Algorithm and Experiment [15.577056429740951]
Edge Intelligenceは、センサー、通信、コンピューティングコンポーネントを統合し、さまざまな機械学習アプリケーションをサポートする、新興ネットワークアーキテクチャである。
既存の方法は2つの重要な事実を無視している: 1) 異なるモデルがトレーニングデータに不均一な要求を持っている; 2) シミュレーション環境と実環境との間にはミスマッチがある。
本稿では,複数のタスクの最悪の学習性能を最大化する学習中心の無線リソース割り当て方式を提案する。
論文 参考訳（メタデータ） (2020-10-29T06:20:40Z)
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。