論文の概要: Large Multimodal Models-Empowered Task-Oriented Autonomous Communications: Design Methodology and Implementation Challenges

• arxiv url: http://arxiv.org/abs/2510.20637v1
• Date: Thu, 23 Oct 2025 15:08:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.231823
• Title: Large Multimodal Models-Empowered Task-Oriented Autonomous Communications: Design Methodology and Implementation Challenges
• Title（参考訳）: 大規模マルチモーダルモデルを用いたタスク指向自律通信:設計手法と実装課題
• Authors: Hyun Jong Yang, Hyunsoo Kim, Hyeonho Noh, Seungnyun Kim, Byonghyo Shim,
• Abstract要約: 大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) は前例のない突破口となった。 本稿では,LLM/LMMを用いたタスク指向の自律通信について述べる。 提案したLLM/LMM支援自律システムは,従来型および差別型深層学習(DL)モデルに基づく手法よりも有意に優れていた。
• 参考スコア（独自算出の注目度）: 31.57528074626831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) and large multimodal models (LMMs) have achieved unprecedented breakthrough, showcasing remarkable capabilities in natural language understanding, generation, and complex reasoning. This transformative potential has positioned them as key enablers for 6G autonomous communications among machines, vehicles, and humanoids. In this article, we provide an overview of task-oriented autonomous communications with LLMs/LMMs, focusing on multimodal sensing integration, adaptive reconfiguration, and prompt/fine-tuning strategies for wireless tasks. We demonstrate the framework through three case studies: LMM-based traffic control, LLM-based robot scheduling, and LMM-based environment-aware channel estimation. From experimental results, we show that the proposed LLM/LMM-aided autonomous systems significantly outperform conventional and discriminative deep learning (DL) model-based techniques, maintaining robustness under dynamic objectives, varying input parameters, and heterogeneous multimodal conditions where conventional static optimization degrades.
• Abstract（参考訳）: 大規模言語モデル (LLMs) と大規模マルチモーダルモデル (LMMs) は、自然言語理解、生成、複雑な推論において顕著な能力を示す先例のないブレークスルーを達成した。 このトランスフォーメーションポテンシャルは、機械、車両、ヒューマノイド間の6G自律通信のキーイネーブラーとして位置づけられている。 本稿では、マルチモーダルセンシングの統合、適応的再構成、無線タスクのプロンプト/ファインニング戦略に焦点を当て、LLM/LMMによるタスク指向の自律通信の概要について述べる。 筆者らは,LMMに基づく交通制御,LLMに基づくロボットスケジューリング,LMMに基づく環境対応チャネル推定という3つのケーススタディを通じて,このフレームワークを実証した。 実験結果から,提案したLLM/LMM支援自律システムは,動的対象下でのロバスト性,入力パラメータの変化,および従来の静的最適化が低下する異種多モード条件において,従来型および差別型ディープラーニング(DL)モデルベース技術よりも有意に優れていたことを示す。

関連論文リスト

• Do LLM Modules Generalize? A Study on Motion Generation for Autonomous Driving [15.903491909277745]
  本稿では,5つのLLMモジュールの総合評価を行う。 適切な適応を行うと、これらのモジュールは自律走行運動生成の性能を大幅に向上させることができることを示す。 さらに、どの技術が効果的に移行できるかを特定し、他人の失敗の潜在的な原因を分析し、自律運転シナリオに必要な具体的な適応について議論する。
  論文  参考訳（メタデータ） (2025-09-02T19:02:49Z)
• Large Language Models for Wireless Communications: From Adaptation to Autonomy [47.40285060307752]
  大規模言語モデル(LLM)は推論、一般化、ゼロショット学習において前例のない能力を提供する。 本稿では,3つの方向にわたる無線システム変換におけるLCMの役割について考察する。
  論文  参考訳（メタデータ） (2025-07-29T06:21:10Z)
• Modular Machine Learning: An Indispensable Path towards New-Generation Large Language Models [33.822930522694406]
  我々は,次世代大規模言語モデル(LLM)に不可欠なアプローチとして,有望な学習パラダイム,すなわちモジュール機械学習(MML)を概説する。 我々は,LLMの複雑な構造を,モジュール表現,モジュールモデル,モジュール推論の3つの相互依存成分に分解する,LLMのための統一MMLフレームワークを提案する。 最終的に、MLとLLMの統合は、統計的(深層)学習と形式的(論理的)推論のギャップを埋める可能性があると信じています。
  論文  参考訳（メタデータ） (2025-04-28T17:42:02Z)
• Large Multi-Modal Models (LMMs) as Universal Foundation Models for AI-Native Wireless Systems [57.41621687431203]
  大規模言語モデル (LLM) と基礎モデルは6Gシステムのゲームチェンジャーとして最近注目されている。 本稿では,人工知能(AI)ネイティブネットワークの展開に適したユニバーサルファンデーションモデルを設計するための包括的ビジョンを提案する。
  論文  参考訳（メタデータ） (2024-01-30T00:21:41Z)
• LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [84.31119464141631]
  この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。 大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
  論文  参考訳（メタデータ） (2023-10-04T17:59:49Z)
• Large AI Model Empowered Multimodal Semantic Communications [48.73159237649128]
  本稿では,Large AI Model-based Multimodal SC (LAMMSC) フレームワークを提案する。 まず、条件付きマルチモーダルアライメント(MMA)を提案し、マルチモーダルデータと非モーダルデータ間の変換を可能にする。 次に、パーソナライズされたLLMベースの知識ベース(LKB)を提案し、ユーザがパーソナライズされたセマンティック抽出やリカバリを行うことができる。 最後に,CGE(Generative Adversarial Network-based Channel Estimation)を用いて,無線チャネルの状態情報を推定する。
  論文  参考訳（メタデータ） (2023-09-03T19:24:34Z)

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。