Fugu-MT 論文翻訳(概要): Semantic Multiplexing

論文の概要: Semantic Multiplexing

arxiv url: http://arxiv.org/abs/2511.13779v1
Date: Sun, 16 Nov 2025 01:14:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-19 16:23:52.712446
Title: Semantic Multiplexing
Title（参考訳）: 意味的多重化
Authors: Mohammad Abdi, Francesca Meneghello, Francesco Restuccia,
Abstract要約: 本稿では,セマンティック多重化の概念を紹介する。提案手法では,複数のタスク関連圧縮表現を1つの意味表現にマージすることで,ストリーム多重化をビットからタスクにシフトする。我々は,Jetson Orin Nanoとミリ波ソフトウェア定義無線を用いた実験ベッド上でのSemantic Multiplexingの試作を行った。
参考スコア（独自算出の注目度）: 7.340986999468972
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mobile devices increasingly require the parallel execution of several computing tasks offloaded at the wireless edge. Existing communication systems only support parallel transmissions at the bit level, which fundamentally limits the number of tasks that can be concurrently processed. To address this bottleneck, this paper introduces the new concept of Semantic Multiplexing. Our approach shifts stream multiplexing from bits to tasks by merging multiple task-related compressed representations into a single semantic representation. As such, Semantic Multiplexing can multiplex more tasks than the number of physical channels without adding antennas or widening bandwidth by extending the effective degrees of freedom at the semantic layer, without contradicting Shannon capacity rules. We have prototyped Semantic Multiplexing on an experimental testbed with Jetson Orin Nano and millimeter-wave software-defined radios and tested its performance on image classification and sentiment analysis while comparing to several existing baselines in semantic communications. Our experiments demonstrate that Semantic Multiplexing allows jointly processing multiple tasks at the semantic level while maintaining sufficient task accuracy. For example, image classification accuracy drops by less than 4% when increasing from 2 to 8 the number of tasks multiplexed over a 4$\times$4 channel. Semantic Multiplexing reduces latency, energy consumption, and communication load respectively by up to 8$\times$, 25$\times$, and 54$\times$ compared to the baselines while keeping comparable performance. We pledge to publicly share the complete software codebase and the collected datasets for reproducibility.
Abstract（参考訳）: モバイルデバイスはますます、無線エッジでオフロードされたいくつかのコンピューティングタスクの並列実行を必要としている。既存の通信システムはビットレベルでの並列送信しかサポートしていないため、並列処理可能なタスクの数を基本的に制限している。本稿では,このボトルネックに対処するために,セマンティック・多重化という新しい概念を紹介する。提案手法では,複数のタスク関連圧縮表現を1つの意味表現にマージすることで,ストリーム多重化をビットからタスクにシフトする。したがって、セマンティック多重化は、シャノン容量規則に反することなく、セマンティック層における効果的な自由度を拡張することで、アンテナを追加したり帯域幅を広げることなく、物理チャネルの数よりも多くのタスクを多重化することができる。我々は,Jetson Orin Nanoおよびミリ波ソフトウェア定義無線を用いた実験ベッド上でセマンティック多重化を試作し,セマンティック通信における既存のベースラインと比較しながら,画像分類と感情分析の性能を検証した。本実験は,セマンティック・マルチプレクシングにより,タスクの精度を維持しつつ,セマンティック・マルチプレクシングをセマンティックレベルで共同処理できることを実証する。例えば、画像分類の精度は、2から8に増加すると4%以下に低下し、4$\times$4チャネル上で多重化されたタスクの数が増加します。 Semantic Multiplexingは、それぞれ8$\times$、25$\times$、54$\times$のレイテンシ、エネルギー消費、通信負荷を、同等のパフォーマンスを維持しながらベースラインと比較して削減する。私たちは、再現性のために、完全なソフトウェアコードベースと収集されたデータセットを公に共有することを約束します。

関連論文リスト

Efficient Inter-Task Attention for Multitask Transformer Models [5.216738718339044]
マルチタスクモデルのための変形可能なタスク間セルフアテンションを提案する。我々は,NYUD-v2 と PASCAL-Context データセットの実験において,FLOP のカウント数と推論レイテンシの両方において,次数の減少を示す。同時に、個々のタスクの予測品質指標において、最大7.4%の大幅な改善も達成しています。
論文参考訳（メタデータ） (2025-08-06T13:09:02Z)
M3Net: Multimodal Multi-task Learning for 3D Detection, Segmentation, and Occupancy Prediction in Autonomous Driving [48.17490295484055]
M3Netは、自動運転の検知、セグメンテーション、および3D占有率予測に同時に取り組む新しいネットワークである。 M3NetはnuScenesベンチマークで最先端のマルチタスク学習性能を達成する。
論文参考訳（メタデータ） (2025-03-23T15:08:09Z)
Multi-Task Semantic Communication With Graph Attention-Based Feature Correlation Extraction [69.24689059980035]
本稿では,マルチタスク・セマンティック・コミュニケーション・システムのエンコーダ/トランスミッタに新たなグラフアテンション・インターブロック(GAI)モジュールを提案する。エンコーダの中間特徴抽出ブロックの出力をグラフのノードとして解釈し,その中間特徴の相関関係を捉える。実験により、提案されたモデルは、CityScapes 2Taskデータセットにおいて、最も競争力があり、公開可能なモデルよりも11.4%多いことが示されている。
論文参考訳（メタデータ） (2025-01-02T04:38:01Z)
A Point-Based Approach to Efficient LiDAR Multi-Task Perception [49.91741677556553]
PAttFormerは、ポイントクラウドにおける共同セマンティックセグメンテーションとオブジェクト検出のための効率的なマルチタスクアーキテクチャである。他のLiDARベースのマルチタスクアーキテクチャとは異なり、提案したPAttFormerはタスク固有のポイントクラウド表現のために別の機能エンコーダを必要としない。マルチタスク学習では,mIouでは+1.7%,mAPでは3Dオブジェクト検出では+1.7%,LiDARセマンティックセマンティックセグメンテーションは+1.7%向上した。
論文参考訳（メタデータ） (2024-04-19T11:24:34Z)
Foundation Model is Efficient Multimodal Multitask Model Selector [47.017463595702274]
ブルートフォースアプローチは、すべてのターゲットデータセット上のすべてのモデルを微調整し、高い計算コストをもたらす。マルチタスクモデルセレクタ(EMMS)を提案し,多様なラベル形式を統一的な雑音ラベル埋め込みに変換する。 EMMSは、事前訓練されたモデルの転送可能性を評価するのに十分な高速で効果的で汎用的であり、マルチタスクシナリオにおける最初のモデル選択方法である。
論文参考訳（メタデータ） (2023-08-11T17:54:44Z)
DiSparse: Disentangled Sparsification for Multitask Model Compression [92.84435347164435]
DiSparseは、シンプルで効果的で、第一級のマルチタスクプルーニングとスパーストレーニングスキームである。実験の結果,様々な設定や設定において優れた性能を示した。
論文参考訳（メタデータ） (2022-06-09T17:57:46Z)
Multi-Task Learning with Multi-Query Transformer for Dense Prediction [38.476408482050815]
本稿では,複数のタスク間の推論を容易にするために,Multi-Query Transformer (MQ Transformer) という単純なパイプラインを提案する。異なるタスク間での高密度なピクセル単位のコンテキストをモデル化する代わりに、タスク固有のプロキシを使ってクロスタスク推論を行う。実験の結果,提案手法は有効な手法であり,最先端の結果が得られた。
論文参考訳（メタデータ） (2022-05-28T06:51:10Z)
MTI-Net: Multi-Scale Task Interaction Networks for Multi-Task Learning [82.62433731378455]
特定のスケールで高い親和性を持つタスクは、他のスケールでこの動作を維持することが保証されていないことを示す。本稿では,この発見に基づく新しいアーキテクチャ MTI-Net を提案する。
論文参考訳（メタデータ） (2020-01-19T21:02:36Z)

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。