論文の概要: Cross-Domain Federated Semantic Communication with Global Representation Alignment and Domain-Aware Aggregation

• arxiv url: http://arxiv.org/abs/2512.00711v1
• Date: Sun, 30 Nov 2025 03:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.374312
• Title: Cross-Domain Federated Semantic Communication with Global Representation Alignment and Domain-Aware Aggregation
• Title（参考訳）: グローバル表現アライメントとドメイン認識アグリゲーションを用いたドメイン間フェデレーション・セマンティックコミュニケーション
• Authors: Loc X. Nguyen, Ji Su Yoon, Huy Q. Le, Yu Qiao, Avi Deb Raha, Eui-Nam Huh, Walid Saad, Dusit Niyato, Zhu Han, Choong Seon Hong,
• Abstract要約: 本研究は,画像再構成作業における意味コミュニケーションシステムの訓練における領域シフトを考慮した最初の試みである。 提案手法は,SNRが1dBの3領域のPSNR値に対して,モデルコントラストFL(MOON)フレームワークを0.5倍に向上させる。
• 参考スコア（独自算出の注目度）: 102.51096131854848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic communication can significantly improve bandwidth utilization in wireless systems by exploiting the meaning behind raw data. However, the advancements achieved through semantic communication are closely dependent on the development of deep learning (DL) models for joint source-channel coding (JSCC) encoder/decoder techniques, which require a large amount of data for training. To address this data-intensive nature of DL models, federated learning (FL) has been proposed to train a model in a distributed manner, where the server broadcasts the DL model to clients in the network for training with their local data. However, the conventional FL approaches suffer from catastrophic degradation when client data are from different domains. In contrast, in this paper, a novel FL framework is proposed to address this domain shift by constructing the global representation, which aligns with the local features of the clients to preserve the semantics of different data domains. In addition, the dominance problem of client domains with a large number of samples is identified and, then, addressed with a domain-aware aggregation approach. This work is the first to consider the domain shift in training the semantic communication system for the image reconstruction task. Finally, simulation results demonstrate that the proposed approach outperforms the model-contrastive FL (MOON) framework by 0.5 for PSNR values under three domains at an SNR of 1 dB, and this gap continues to widen as the channel quality improves.
• Abstract（参考訳）: セマンティック通信は、生データの背後にある意味を生かして、無線システムの帯域利用を著しく改善することができる。 しかし、セマンティックコミュニケーションによって達成される進歩は、大量のデータを必要とするジョイントソースチャネル符号化(JSCC)エンコーダ/デコーダ技術のためのディープラーニング(DL)モデルの開発に密接に依存している。 このようなDLモデルのデータ集約的な性質に対処するため、フェデレートラーニング(FL)は、サーバがネットワーク内のクライアントにDLモデルをブロードキャストしてローカルデータでトレーニングする分散方式でモデルをトレーニングするために提案されている。 しかし、従来のFLアプローチは、クライアントデータが異なるドメインのものである場合、破滅的な劣化に悩まされる。 これとは対照的に,クライアントのローカルな特徴と整合して異なるデータドメインのセマンティクスを保持するグローバル表現を構築することにより,このドメインシフトに対処する新しいFLフレームワークを提案する。 さらに、多数のサンプルを持つクライアントドメインの優位性問題を特定し、ドメイン認識集約アプローチで対処する。 本研究は,画像再構成作業における意味コミュニケーションシステムの訓練における領域シフトを考慮した最初の試みである。 最後に,提案手法は1dBのSNRにおいて3つの領域のPSNR値に対して0.5倍の精度でモデルコントラストFL(MOON)フレームワークより優れており,チャネル品質が向上するにつれて,このギャップは拡大し続けていることを示す。

関連論文リスト

• Free Lunch to Meet the Gap: Intermediate Domain Reconstruction for Cross-Domain Few-Shot Learning [20.048013939398484]
  クロスドメインのFew-Shot Learningは、ソースドメインからターゲットドメインに一般化された知識を転送する試みである。 我々は、コードブックとしてソース機能を組み込んだ中間ドメインプロキシ(IDP)を構築するための新しい試みを行っている。 本研究では,これらのプロキシをターゲット領域の特徴変換の学習指導として利用する高速なドメインアライメント手法を開発した。
  論文  参考訳（メタデータ） (2025-11-18T09:14:06Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• Multisource Collaborative Domain Generalization for Cross-Scene Remote Sensing Image Classification [57.945437355714155]
  クロスシーン画像分類は, 異なる分布領域のアノテート領域に, 地中物質の事前の知識を伝達することを目的としている。 既存のアプローチでは、未確認のターゲットドメインへの単一ソースドメインの一般化に重点を置いている。 マルチソースリモートセンシングデータの均一性と不均一性特性に基づく,新しいマルチソース協調型ドメイン一般化フレームワーク(MS-CDG)を提案する。
  論文  参考訳（メタデータ） (2024-12-05T06:15:08Z)
• FedCCRL: Federated Domain Generalization with Cross-Client Representation Learning [4.703379311088474]
  ドメイン一般化(DG)は、目に見えないドメインに効果的に一般化できるモデルを訓練することを目的としている。 クライアントがデータを直接共有せずに協調的にモデルをトレーニングするフェデレートラーニング(FL)では、既存のDGアルゴリズムはFL設定に直接適用できない。 プライバシを保ちながらモデルの一般化能力を大幅に向上させる軽量なフェデレーションドメイン一般化手法であるFedCCRLを提案する。
  論文  参考訳（メタデータ） (2024-10-15T04:44:21Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)

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。