論文の概要: Over-the-Air Goal-Oriented Communications

• arxiv url: http://arxiv.org/abs/2512.20533v1
• Date: Tue, 23 Dec 2025 17:24:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.948182
• Title: Over-the-Air Goal-Oriented Communications
• Title（参考訳）: オーバー・ザ・エア目標指向通信
• Authors: Kyriakos Stylianopoulos, Paolo Di Lorenzo, George C. Alexandropoulos,
• Abstract要約: この章では、プログラム可能な準曲面を備えた場合、無線チャネルがデータ上での計算に使用できることを示す。 TX、RX、MSベースのチャネルのエンドツーエンドシステムは、バックプロパゲーションを通じてトレーニングされた単一のディープニューラルネットワークとして扱われ、目に見えないデータに対する推論を実行する。
• 参考スコア（独自算出の注目度）: 38.96339769433267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Goal-oriented communications offer an attractive alternative to the Shannon-based communication paradigm, where the data is never reconstructed at the Receiver (RX) side. Rather, focusing on the case of edge inference, the Transmitter (TX) and the RX cooperate to exchange features of the input data that will be used to predict an unseen attribute of them, leveraging information from collected data sets. This chapter demonstrates that the wireless channel can be used to perform computations over the data, when equipped with programmable metasurfaces. The end-to-end system of the TX, RX, and MS-based channel is treated as a single deep neural network which is trained through backpropagation to perform inference on unseen data. Using Stacked Intelligent Metasurfaces (SIM), it is shown that this Metasurfaces-Integrated Neural Network (MINN) can achieve performance comparable to fully digital neural networks under various system parameters and data sets. By offloading computations onto the channel itself, important benefits may be achieved in terms of energy consumption, arising from reduced computations at the transceivers and smaller transmission power required for successful inference.
• Abstract（参考訳）: ゴール指向通信は、受信側(RX)でデータを再構成しないシャノンベースの通信パラダイムに代わる魅力的な代替手段を提供する。 むしろ、エッジ推論の場合に焦点を当てて、Transmitter (TX) とRXは、収集されたデータセットからの情報を活用することで、見知らぬ属性を予測するために使用される入力データの特徴の交換に協力する。 この章では、プログラム可能な準曲面を備えた場合、無線チャネルがデータ上での計算に使用できることを示す。 TX、RX、MSベースのチャネルのエンドツーエンドシステムは、バックプロパゲーションを通じてトレーニングされた単一のディープニューラルネットワークとして扱われ、目に見えないデータに対する推論を実行する。 Stacked Intelligent Metagrounds (SIM) を用いて、このMetagrounds-Integrated Neural Network (MINN) は、様々なシステムパラメータとデータセットの下で完全なデジタルニューラルネットワークに匹敵する性能を達成できることが示されている。 チャネル自体に計算をオフロードすることで、トランスシーバーでの計算の削減と推論の成功に必要な送信電力の削減により、エネルギー消費の観点から重要な利点が得られる。

関連論文リスト

• Integrating Stacked Intelligent Metasurfaces and Power Control for Dynamic Edge Inference via Over-The-Air Neural Networks [34.27766974092816]
  本稿では,従来の無線チャネルをノイズとして扱う手法を回避したエッジ推論(EI)フレームワークを提案する。 無線伝搬の制御にはスタックド・インテリジェント・メタサーフェス(SIM)を用いる。
  論文  参考訳（メタデータ） (2025-09-23T12:13:06Z)
• Over-the-Air Edge Inference via End-to-End Metasurfaces-Integrated Artificial Neural Networks [29.28415364984592]
  エッジ推論(EI)のための準曲面統合ニューラルネットワーク(MINN)の枠組みを提案する。 MINNは、EI要求を大幅に単純化し、トレーニングに比べて50ドル以下で、ほぼ最適性能を達成できる。
  論文  参考訳（メタデータ） (2025-03-31T21:14:09Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• RIS-Based On-the-Air Semantic Communications -- a Diffractional Deep Neural Network Approach [10.626169088908867]
  現在のAIベースのセマンティックコミュニケーション手法は実装にデジタルハードウェアを必要とする。 RISベースのセマンティックコミュニケーションは、光速計算、計算能力の低さ、複数のタスクを同時に処理する能力など、魅力的な機能を提供する。
  論文  参考訳（メタデータ） (2023-12-01T12:15:49Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。