論文の概要: SC-GIR: Goal-oriented Semantic Communication via Invariant Representation Learning

• arxiv url: http://arxiv.org/abs/2509.01119v1
• Date: Mon, 01 Sep 2025 04:29:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.54598
• Title: SC-GIR: Goal-oriented Semantic Communication via Invariant Representation Learning
• Title（参考訳）: SC-GIR:不変表現学習によるゴール指向セマンティックコミュニケーション
• Authors: Senura Hansaja Wanasekara, Van-Dinh Nguyen, Kok-Seng, M. -Duong Nguyen, Symeon Chatzinotas, Octavia A. Dobre,
• Abstract要約: 目標指向セマンティックコミュニケーション(SC)は,タスクの意味情報のみを伝達することで,コミュニケーションシステムに革命をもたらすことを目的としている。 画像伝送のためのSC-GIR(Goal-oriented Invariant Representation-based SC)という新しい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）: 59.45312293893698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Goal-oriented semantic communication (SC) aims to revolutionize communication systems by transmitting only task-essential information. However, current approaches face challenges such as joint training at transceivers, leading to redundant data exchange and reliance on labeled datasets, which limits their task-agnostic utility. To address these challenges, we propose a novel framework called Goal-oriented Invariant Representation-based SC (SC-GIR) for image transmission. Our framework leverages self-supervised learning to extract an invariant representation that encapsulates crucial information from the source data, independent of the specific downstream task. This compressed representation facilitates efficient communication while retaining key features for successful downstream task execution. Focusing on machine-to-machine tasks, we utilize covariance-based contrastive learning techniques to obtain a latent representation that is both meaningful and semantically dense. To evaluate the effectiveness of the proposed scheme on downstream tasks, we apply it to various image datasets for lossy compression. The compressed representations are then used in a goal-oriented AI task. Extensive experiments on several datasets demonstrate that SC-GIR outperforms baseline schemes by nearly 10%,, and achieves over 85% classification accuracy for compressed data under different SNR conditions. These results underscore the effectiveness of the proposed framework in learning compact and informative latent representations.
• Abstract（参考訳）: 目標指向意味コミュニケーション(SC)は,タスクの意味情報のみを伝達することで,コミュニケーションシステムに革命をもたらすことを目的としている。 しかし、現在のアプローチでは、トランシーバーでの共同トレーニングのような課題に直面し、冗長なデータ交換とラベル付きデータセットへの依存が生じ、タスクに依存しないユーティリティが制限される。 これらの課題に対処するために、画像伝送のためのゴール指向不変表現ベースSC(SC-GIR)という新しいフレームワークを提案する。 我々のフレームワークは、自己教師付き学習を利用して、特定の下流タスクとは独立に、ソースデータから重要な情報をカプセル化する不変表現を抽出する。 この圧縮表現は、下流タスク実行を成功させるために重要な特徴を保持しながら効率的な通信を容易にする。 機械間タスクに着目し,共分散に基づくコントラスト学習技術を用いて,意味的かつ意味論的に密接な潜在表現を得る。 下流タスクにおける提案手法の有効性を評価するため, 様々な画像データセットに適用し, 損失圧縮を行う。 圧縮された表現は、目標指向のAIタスクで使用される。 いくつかのデータセットに対する大規模な実験により、SC-GIRはベースラインスキームを10%近く上回り、異なるSNR条件下で圧縮されたデータの85%以上の分類精度を達成することが示された。 これらの結果は,コンパクトかつ情報に富んだ潜在表現を学習する上で,提案フレームワークの有効性を裏付けるものである。

関連論文リスト

• 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)
• Task-Driven Semantic Quantization and Imitation Learning for Goal-Oriented Communications [44.330805289033]
  GOS-VAE(Goal-Oriented Semantic Variational Autoencoder)という,新たな目標指向通信(GO-COM)フレームワークを提案する。 データ再構成における関連する意味的特徴を捉えるために、データ再生品質を測定するために模倣学習を採用する。 実験により,提案したGOS-VAEの目的指向意味論と帯域幅効率を特徴付ける上で,模倣学習の能力を示す。
  論文  参考訳（メタデータ） (2025-02-25T04:43:16Z)
• Trustworthy Image Semantic Communication with GenAI: Explainablity, Controllability, and Efficiency [59.15544887307901]
  画像意味コミュニケーション(ISC)は,高効率な映像コンテンツ伝送を実現する可能性に注目されている。 既存のISCシステムは、解釈可能性、操作性、互換性の課題に直面している。 我々は、複数の下流推論タスクにGenerative Artificial Intelligence(GenAI)を利用する新しい信頼できるISCフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-07T14:32:36Z)
• 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)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Masked Momentum Contrastive Learning for Zero-shot Semantic Understanding [39.424931953675994]
  自己教師付き事前学習(SSP)は、ラベル付きデータなしで有意義な特徴表現を抽出できる機械学習の一般的な手法として登場した。 本研究は、コンピュータビジョンタスクにおける純粋な自己教師付き学習(SSL)技術の有効性を評価する。
  論文  参考訳（メタデータ） (2023-08-22T13:55:57Z)

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。