論文の概要: A PAC-Bayesian Analysis of Channel-Induced Degradation in Edge Inference

• arxiv url: http://arxiv.org/abs/2601.10915v1
• Date: Fri, 16 Jan 2026 00:10:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.312933
• Title: A PAC-Bayesian Analysis of Channel-Induced Degradation in Edge Inference
• Title（参考訳）: エッジ推論におけるチャネル誘起劣化のPAC-Bayesian解析
• Authors: Yangshuo He, Guanding Yu, Jingge Zhu,
• Abstract要約: 本稿では,チャネル統計を直接重み空間に組み込む拡張NNモデルを提案する。 我々は、無線歪みの影響を明示的に定量化するPAC-ベイズ一般化境界を導出する。 そこで本稿では, チャネル認識型学習アルゴリズムを提案し, 導出した境界値に基づいて代理対象を最小化する。
• 参考スコア（独自算出の注目度）: 22.97773242617207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the emerging paradigm of edge inference, neural networks (NNs) are partitioned across distributed edge devices that collaboratively perform inference via wireless transmission. However, standard NNs are generally trained in a noiseless environment, creating a mismatch with the noisy channels during edge deployment. In this paper, we address this issue by characterizing the channel-induced performance deterioration as a generalization error against unseen channels. We introduce an augmented NN model that incorporates channel statistics directly into the weight space, allowing us to derive PAC-Bayesian generalization bounds that explicitly quantifies the impact of wireless distortion. We further provide closed-form expressions for practical channels to demonstrate the tractability of these bounds. Inspired by the theoretical results, we propose a channel-aware training algorithm that minimizes a surrogate objective based on the derived bound. Simulations show that the proposed algorithm can effectively improve inference accuracy by leveraging channel statistics, without end-to-end re-training.
• Abstract（参考訳）: エッジ推論の新たなパラダイムでは、ニューラルネットワーク(NN)は、無線送信を介して推論を協調的に実行する分散エッジデバイスに分割される。 しかし、標準NNは一般的にノイズのない環境で訓練され、エッジデプロイメント中にノイズの多いチャネルとミスマッチする。 本稿では,チャネルによる性能劣化を未知のチャネルに対する一般化誤差として特徴付けることにより,この問題に対処する。 我々は、チャネル統計を直接重み空間に組み込む拡張NNモデルを導入し、無線歪みの影響を明示するPAC-ベイジアン一般化境界を導出する。 さらに、これらの境界のトラクタビリティを示すために、実用的なチャネルに対してクローズドフォーム表現を提供する。 理論的結果から着想を得たチャネル認識学習アルゴリズムを提案する。 シミュレーションにより,提案アルゴリズムは,エンドツーエンドの再学習を伴わずに,チャネル統計を利用した推論精度を効果的に向上できることを示す。

関連論文リスト

• Prediction-Powered Communication with Distortion Guarantees [65.37485275954224]
  本研究では,デバイスが厳密な歪み保証付きゼロ遅延制約の下で通信する,予測駆動型通信環境について検討する。 本稿では,オンラインコンフォメーション予測を利用した2つのゼロ遅延圧縮アルゴリズムを提案する。 セマンティックテキスト圧縮の実験は、そのアプローチを検証し、ビットレートの大幅な削減を示す。
  論文  参考訳（メタデータ） (2025-09-29T07:19:39Z)
• RIS-aided Latent Space Alignment for Semantic Channel Equalization [10.555901476981923]
  我々は,無線通信において,厳密なビットレベルの精度を保証するのではなく,意図した意味を伝達することに焦点を当てた新しいパラダイムを導入する。 これらのシステムは、しばしばデータから直接意味を学習し、エンコードするためにディープニューラルネットワーク(DNN)に依存しており、より効率的な通信を可能にしている。 本研究では、再構成可能なインテリジェントサーフェス(RIS)の存在を利用する物理・意味チャネル等化フレームワークを提案する。 提案手法は, 様々なシナリオや無線チャネル条件において, 従来型, 意味的, 意味的, 意味的チャネル等化へのアプローチを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-07-22T10:51:35Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づく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。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• 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)
• Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
  BSN(Blind-spot Network)は、自己教師付き画像復調(SSID)におけるニューラルネットワークアーキテクチャとして広く使われている。 本研究では,Transformer ベースの Blind-Spot Network (TBSN) を構築した。
  論文  参考訳（メタデータ） (2024-04-11T15:39:10Z)
• A Universal Deep Neural Network for Signal Detection in Wireless Communication Systems [35.07773969966621]
  無線通信におけるチャネル推定と信号検出のための有望なアプローチとして,Deep Learning (DL) が登場している。 無線チャネルの動的性質に対処するためには、新しい非老化データに基づいてDL手法を再訓練する必要がある。 本稿では,モデルを再学習することなく,様々な無線環境において高い検出性能を達成できる,新しいユニバーサルディープニューラルネットワーク(Uni-DNN)を提案する。
  論文  参考訳（メタデータ） (2024-04-03T11:21:10Z)
• Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
  我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。 チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
  論文  参考訳（メタデータ） (2022-01-24T19:55:10Z)
• Channel-Wise Early Stopping without a Validation Set via NNK Polytope Interpolation [36.479195100553085]
  畳み込みニューラルネットワーク(ConvNets)は、複数のチャネルの集約によって形成される高次元の特徴空間からなる。 非次元カーネル回帰(NNK)グラフに基づく新しい一般化推定法であるチャネルワイドDeepNNKを提案する。
  論文  参考訳（メタデータ） (2021-07-27T17:33:30Z)

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。