論文の概要: Conditional Denoising Diffusion Autoencoders for Wireless Semantic Communications
- arxiv url: http://arxiv.org/abs/2509.22282v1
- Date: Fri, 26 Sep 2025 12:46:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-29 20:57:54.426797
- Title: Conditional Denoising Diffusion Autoencoders for Wireless Semantic Communications
- Title（参考訳）: 無線セマンティック通信のための条件付き拡散オートエンコーダ
- Authors: Mehdi Letafati, Samad Ali, Matti Latva-aho,
- Abstract要約: 無線セムコムシステムは,低次元のセマンティクスから高次元の地上構造へのマッピングを学習することを目的としている。
セマンティックトランスミッタのニューラルエンコーダは、ハイレベルセマンティクスを抽出する。
セマンティックレシーバにおける条件拡散モデル(CDiff)は、信号空間のデノイングにソース分布を利用する。
提案したデコーダモデルが地中構造データの一貫した推定器であることを解析的に証明した。
- 参考スコア（独自算出の注目度）: 10.896931510442514
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Semantic communication (SemCom) systems aim to learn the mapping from low-dimensional semantics to high-dimensional ground-truth. While this is more akin to a "domain translation" problem, existing frameworks typically emphasize on channel-adaptive neural encoding-decoding schemes, lacking full exploration of signal distribution. Moreover, such methods so far have employed autoencoder-based architectures, where the encoding is tightly coupled to a matched decoder, causing scalability issues in practice. To address these gaps, diffusion autoencoder models are proposed for wireless SemCom. The goal is to learn a "semantic-to-clean" mapping, from the semantic space to the ground-truth probability distribution. A neural encoder at semantic transmitter extracts the high-level semantics, and a conditional diffusion model (CDiff) at the semantic receiver exploits the source distribution for signal-space denoising, while the received semantic latents are incorporated as the conditioning input to "steer" the decoding process towards the semantics intended by the transmitter. It is analytically proved that the proposed decoder model is a consistent estimator of the ground-truth data. Furthermore, extensive simulations over CIFAR-10 and MNIST datasets are provided along with design insights, highlighting the performance compared to legacy autoencoders and variational autoencoders (VAE). Simulations are further extended to the multi-user SemCom, identifying the dominating factors in a more realistic setup.
- Abstract（参考訳）: セマンティックコミュニケーション (Semantic Communication, SemCom) システムは, 低次元意味論から高次元地下構造へのマッピングを学習することを目的としている。
これは"ドメイン翻訳"の問題に似ているが、既存のフレームワークは一般的にチャネル適応型ニューラルエンコーディング復号方式に重点を置いており、信号分布の完全な探索を欠いている。
さらに、このような手法はオートエンコーダベースのアーキテクチャを採用しており、符号化は一致したデコーダと密結合しており、実際に拡張性の問題を引き起こしている。
これらのギャップに対処するため、無線セムコムに対して拡散オートエンコーダモデルを提案する。
目的は意味空間から接地確率分布まで「意味からクリーン」な写像を学習することである。
セマンティックトランスミッションにおけるニューラルエンコーダは、高レベルのセマンティクスを抽出し、セマンティックレシーバにおける条件拡散モデル(CDiff)は、信号空間のデノナイズのためにソース分布を利用する一方、受信されたセマンティクスラテントは、コンディショニングインプットとして組み込まれ、送信者が意図したセマンティクスに対してデコード処理を"ステア"する。
提案したデコーダモデルが地中構造データの一貫した推定器であることを解析的に証明した。
さらに、CIFAR-10データセットとMNISTデータセットに対する広範なシミュレーションが設計の洞察とともに提供され、従来のオートエンコーダや変分オートエンコーダ(VAE)と比較してパフォーマンスが強調されている。
シミュレーションはさらにマルチユーザSemComに拡張され、より現実的な設定で支配的な要素を特定する。
関連論文リスト
- Diffusion-Driven Semantic Communication for Generative Models with Bandwidth Constraints [66.63250537475973]
本稿では,帯域制限付き生成モデルのための,高度なVAEベースの圧縮を用いた拡散駆動型セマンティック通信フレームワークを提案する。
実験の結果,ピーク信号対雑音比 (PSNR) などの画素レベルの指標と,LPIPS (Learning Perceptual Image patch similarity) のような意味的指標が大幅に改善された。
論文 参考訳（メタデータ） (2024-07-26T02:34:25Z) - 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) - Joint Sensing and Semantic Communications with Multi-Task Deep Learning [45.622060532244944]
本稿では,協調センシングとコミュニケーションのための深層学習技術の統合と,セマンティックコミュニケーションの拡張について検討する。
統合システムは、無線チャンネル上で動作し、ノイズやフェーディングを受ける送信機と受信機とを備える。
送信機はディープニューラルネットワーク(DNN)、すなわちエンコーダを使用し、ソース符号化、チャネル符号化、変調のジョイント操作を行う。
受信機は別のDNN、すなわちデコーダを使用して、復調、チャネル復号、ソース復号のジョイント操作を行い、データサンプルを再構築する。
論文 参考訳（メタデータ） (2023-11-08T21:03:43Z) - Semantics Alignment via Split Learning for Resilient Multi-User Semantic
Communication [56.54422521327698]
最近の意味コミュニケーションの研究は、ディープジョイントソースやチャネルコーディング(DeepJSCC)のようなニューラルネットワーク(NN)ベースのトランシーバに依存している。
従来のトランシーバとは異なり、これらのニューラルトランシーバは実際のソースデータとチャネルを使用してトレーニング可能であり、セマンティクスを抽出し通信することができる。
本稿では,分割学習(SL)と部分的NN微調整技術を活用する分散学習ベースソリューションを提案する。
論文 参考訳（メタデータ） (2023-10-13T20:29:55Z) - Is Semantic Communications Secure? A Tale of Multi-Domain Adversarial
Attacks [70.51799606279883]
セマンティック・コミュニケーションのためのディープ・ニューラル・ネットワーク(DNN)に対するテスト・タイム・アタックを導入する。
再建損失が低い場合でも,伝達情報のセマンティクスを変更可能であることを示す。
論文 参考訳（メタデータ） (2022-12-20T17:13:22Z) - Denoising Diffusion Error Correction Codes [92.10654749898927]
近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。
最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。
本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
論文 参考訳（メタデータ） (2022-09-16T11:00:50Z)
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。