論文の概要: Discrete-Space Generative AI Pipeline for Semantic Transmission of Signals
- arxiv url: http://arxiv.org/abs/2602.13556v1
- Date: Sat, 14 Feb 2026 02:11:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-17 14:17:28.144415
- Title: Discrete-Space Generative AI Pipeline for Semantic Transmission of Signals
- Title（参考訳）: 信号の意味伝達のための離散空間生成型AIパイプライン
- Authors: Silvija Kokalj-Filipovic, Yagna Kaasaragadda,
- Abstract要約: Discernmentは、GenAIモデルを使用して技術チャネル上で物理信号(ベースバンド無線とオーディオ)の意味を伝達するセマンティック通信システムである。
チャネル容量が著しく低下しても,ディスクナーメントはセマンティックな整合性を維持していることを示す。
- 参考スコア（独自算出の注目度）: 0.2291770711277359
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Discernment, a semantic communication system that transmits the meaning of physical signals (baseband radio and audio) over a technical channel using GenAI models operating in discrete spaces. Discernment dynamically adapts to channel impairments - modeled as erasure channels - by switching between an autoregressive or a diffusion-based generative algorithm, depending on the erasure pattern. Our results show that Discernment maintains semantic integrity even as channel capacity severely degrades, exhibiting very small and graceful performance decline in both classification accuracy and statistical fidelity of the reconstructed meaning. These findings demonstrate Discernment's ability to adjust to diverse physical channel conditions while maintaining spectral efficiency and low model complexity, making it well suited for IoT deployments and strongly motivating further research on this semantic channel paradigm.
- Abstract（参考訳）: 我々は、離散空間で動作するGenAIモデルを用いて、技術チャネル上で物理信号(ベースバンドラジオとオーディオ)の意味を伝達する意味コミュニケーションシステムであるDiscernmentを紹介する。
識別は、消去パターンに応じて自己回帰または拡散に基づく生成アルゴリズムを切り替えることによって、消去チャネルとしてモデル化されたチャネル障害に動的に適応する。
その結果, チャネル容量が著しく低下しても意味的整合性を維持し, 分類精度, 統計的忠実度ともに非常に小さく, 優雅な性能低下を示すことが明らかとなった。
これらの知見は、スペクトル効率と低モデルの複雑さを維持しながら、様々な物理チャネル条件に適応するDisnalmentの能力を示し、IoTデプロイメントに適しており、このセマンティックチャネルパラダイムに関するさらなる研究を強く動機付けている。
関連論文リスト
- Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - A PAC-Bayesian Analysis of Channel-Induced Degradation in Edge Inference [22.97773242617207]
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。
論文 参考訳（メタデータ） (2026-01-16T00:10:17Z) - Diffusion-based Surrogate Model for Time-varying Underwater Acoustic Channels [5.274320948201636]
StableUASimは水中音響通信路の力学を捉える条件付き潜伏拡散代理モデルである。
特異な測定サンプルから条件生成をサポートしながら、多種多様で統計的に現実的なチャネル実現を実現している。
システム設計と機械学習駆動型水中アプリケーションの両方に対して、スケーラブルで、データ効率が高く、物理的に一貫性のある代理モデルを提供する。
論文 参考訳（メタデータ） (2025-11-22T14:25:21Z) - SecDiff: Diffusion-Aided Secure Deep Joint Source-Channel Coding Against Adversarial Attacks [73.41290017870097]
SecDiffは、プラグイン・アンド・プレイの拡散支援デコーディングフレームワークである。
対向無線環境下での深部JSCCの安全性と堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2025-11-03T11:24:06Z) - 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) - Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。
本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。
本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
論文 参考訳（メタデータ） (2025-06-16T08:42:16Z) - 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) - Distributionally Robust Wireless Semantic Communication with Large AI Models [111.47794569742206]
現在のSemComシステムは、様々なノイズ条件、敵攻撃、アウト・オブ・ディストリビューション・データにまたがる一般化に失敗している。
Wassersteinは、意味的誤解釈やチャネル摂動に対するレジリエンスを提供するために、分布的に堅牢な最適化を採用している。
画像とテキストの伝送実験の結果、WaSeComは雑音や逆方向の摂動下で頑健性の向上を実現していることがわかった。
論文 参考訳（メタデータ） (2025-05-28T04:03:57Z) - 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) - Latent Diffusion Model-Enabled Low-Latency Semantic Communication in the Presence of Semantic Ambiguities and Wireless Channel Noises [18.539501941328393]
本稿では,ソースデータのアウトレイラを処理するために,遅延拡散モデルを用いたSemComシステムを開発した。
軽量な単層遅延空間変換アダプタは、送信機でのワンショット学習を完了させる。
終端整合蒸留法を用いて, 潜時空間で訓練した拡散模型を蒸留する。
論文 参考訳（メタデータ） (2024-06-09T23:39:31Z) - Asymmetric Diffusion Based Channel-Adaptive Secure Wireless Semantic
Communications [5.539381022630274]
拡散モデルと深部強化学習(DRL)を利用したセキュアな意味コミュニケーションシステムDiffuSeCを提案する。
送信側端の拡散モジュールと受信側端の非対称なdenoisingモジュールにより、DiffuSeCはセマンティックアタックによって追加された摂動を緩和する。
セマンティックアタックによる不安定なチャネル条件下でのロバスト性をさらに向上するため,DRLに基づくチャネル適応拡散ステップ選択方式を開発した。
論文 参考訳（メタデータ） (2023-10-30T11:00:47Z) - 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。