論文の概要: Learning to Optimize Joint Source and RIS-assisted Channel Encoding for Multi-User Semantic Communication Systems

• arxiv url: http://arxiv.org/abs/2603.21097v1
• Date: Sun, 22 Mar 2026 07:22:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.23707
• Title: Learning to Optimize Joint Source and RIS-assisted Channel Encoding for Multi-User Semantic Communication Systems
• Title（参考訳）: 多ユーザセマンティック通信システムにおける統合音源とRIS支援チャネル符号化の最適化学習
• Authors: Haidong Wang, Songhan Zhao, Bo Gu, Shimin Gong, Hongyang Du, Ping Wang,
• Abstract要約: マルチユーザ・セマンティック・コミュニケーションのための統合ソースおよび再構成可能なインテリジェント・サーフェス(RIS)支援チャネルエンコーディング(JSRE)フレームワークを提案する。 ディープニューラルネットワーク(DNN)は、すべてのユーザに対してセマンティック機能を抽出し、RISはチャネル性を提供し、統一されたセマンティックエンコーディング・デコーディング設計を可能にする。 本研究の目的は,ユーザのスケジューリング,RISの位相シフト,意味圧縮比を最適化することで,ユーザ間のセマンティックコミュニケーションの全体的なエネルギー効率を最大化することである。
• 参考スコア（独自算出の注目度）: 22.34536051545108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we explore a joint source and reconfigurable intelligent surface (RIS)-assisted channel encoding (JSRE) framework for multi-user semantic communications, where a deep neural network (DNN) extracts semantic features for all users and the RIS provides channel orthogonality, enabling a unified semantic encoding-decoding design. We aim to maximize the overall energy efficiency of semantic communications across all users by jointly optimizing the user scheduling, the RIS's phase shifts, and the semantic compression ratio. Although this joint optimization problem can be addressed using conventional deep reinforcement learning (DRL) methods, evaluating semantic similarity typically relies on extensive real environment interactions, which can incur heavy computational overhead during training. To address this challenge, we propose a truncated DRL (T-DRL) framework, where a DNN-based semantic similarity estimator is developed to rapidly estimate the similarity score. Moreover, the user scheduling strategy is tightly coupled with the semantic model configuration. To exploit this relationship, we further propose a semantic model caching mechanism that stores and reuses fine-tuned semantic models corresponding to different scheduling decisions. A Transformer-based actor network is employed within the DRL framework to dynamically generate action space conditioned on the current caching state. This avoids redundant retraining and further accelerates the convergence of the learning process. Numerical results demonstrate that the proposed JSRE framework significantly improves the system energy efficiency compared with the baseline methods. By training fewer semantic models, the proposed T-DRL framework significantly enhances the learning efficiency.
• Abstract（参考訳）: 本稿では,多ユーザセマンティックコミュニケーションのための統合ソースおよび再構成可能なインテリジェントサーフェス(RIS)支援チャネル符号化(JSRE)フレームワークについて検討し,ディープニューラルネットワーク(DNN)がすべてのユーザに対してセマンティック機能を抽出し,RISがチャネル直交性を提供し,セマンティックエンコーディングとデコードの設計を統一的に行う。 本研究の目的は,ユーザのスケジューリング,RISの位相シフト,意味圧縮比を最適化することで,ユーザ間のセマンティックコミュニケーションの全体的なエネルギー効率を最大化することである。 この共同最適化問題は、従来の深部強化学習(DRL)手法で解決できるが、意味的類似性の評価は通常、訓練中に重い計算オーバーヘッドを発生させるような広範囲な実環境相互作用に依存している。 この課題に対処するために、DNNに基づく意味的類似度推定器を開発し、類似度スコアを迅速に推定する、truncated DRL (T-DRL) フレームワークを提案する。 さらに、ユーザスケジューリング戦略は、セマンティックモデル構成と密結合している。 この関係を生かして、異なるスケジューリング決定に対応する微調整されたセマンティックモデルを保存・再利用するセマンティックモデルキャッシング機構を提案する。 DRLフレームワーク内にトランスフォーマーベースのアクタネットワークを使用し、現在のキャッシュ状態に条件付けられたアクション空間を動的に生成する。 これにより、冗長な再訓練を回避し、学習プロセスの収束をさらに加速する。 数値的な結果から,提案するJSREフレームワークは,ベースライン法と比較してシステムエネルギー効率を著しく向上させることが示された。 より少ないセマンティックモデルをトレーニングすることにより、提案するT-DRLフレームワークは学習効率を大幅に向上させる。

関連論文リスト

• CAMP-HiVe: Cyclic Pair Merging based Efficient DNN Pruning with Hessian-Vector Approximation for Resource-Constrained Systems [3.343542849202802]
  CAMP-HiVeは,Hessian Vector近似を用いたサイクリックペアマージベースプルーニングである。 実験により,提案手法が計算要求の大幅な削減を実現することを示す。 既存の最先端のニューラルプルーニング法よりも優れています。
  論文  参考訳（メタデータ） (2025-11-09T07:58:36Z)
• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [45.347078403677216]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留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。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• Spatial-Temporal Reinforcement Learning for Network Routing with Non-Markovian Traffic [2.9228846099569283]
  本稿では,パケットルーティングのための空間時空間RL(STRL)フレームワークを提案する。 ネットワークトポロジの変化にもかかわらず、トレーニング中に従来のベースラインを19%以上、推論で7%以上上回りました。
  論文  参考訳（メタデータ） (2025-07-27T08:00:43Z)
• Contrastive Language-Image Pre-Training Model based Semantic Communication Performance Optimization [23.352326993320958]
  言語画像事前学習(CLIP)モデル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設計する。 標準的なニューラルネットワーク(例えば畳み込みニューラルネットワーク)ベースのセマンティックエンコーダや、共通のデータセット上での共同トレーニングを必要とするデコーダと比較して、私たちのCLIPモデルベースの方法は、いかなるトレーニング手順も必要としない。 ノイズの多い無線ネットワーク上でのCLIPモデルに基づくセマンティックフレームワークの展開について検討する。
  論文  参考訳（メタデータ） (2025-07-10T01:48:56Z)
• Enhancing Spectrum Efficiency in 6G Satellite Networks: A GAIL-Powered Policy Learning via Asynchronous Federated Inverse Reinforcement Learning [67.95280175998792]
  ビームフォーミング,スペクトルアロケーション,リモートユーザ機器(RUE)アソシエイトを最適化するために,GAILを利用した新しいポリシー学習手法を提案する。 手動チューニングなしで報酬関数を自動的に学習するために、逆RL(IRL)を用いる。 提案手法は従来のRL手法よりも優れており,コンバージェンスと報酬値の14.6%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-09-27T13:05:02Z)
• Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
  我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。 最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-02T01:36:13Z)
• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)
• Optimization of Image Transmission in a Cooperative Semantic Communication Networks [68.2233384648671]
  画像伝送のためのセマンティック通信フレームワークを開発した。 サーバは、セマンティックコミュニケーション技術を用いて、画像の集合を協調的にユーザへ送信する。 抽出した意味情報と原画像との相関関係を測定するために,マルチモーダル・メトリックを提案する。
  論文  参考訳（メタデータ） (2023-01-01T15:59:13Z)
• Toward Adaptive Semantic Communications: Efficient Data Transmission via Online Learned Nonlinear Transform Source-Channel Coding [11.101344530143303]
  深層学習モデルの過剰適合性を利用したオンライン学習型ジョイントソースとチャネルコーディング手法を提案する。 具体的には,市販の事前訓練型モデルを軽量なオンライン方式で展開し,ソースデータと環境領域の分散シフトに適応させる。 私たちはオーバーフィットの概念を極端に捉え、モデルや表現を個々のデータやチャネル状態インスタンスに適応させる実装フレンドリな一連のメソッドを提案します。
  論文  参考訳（メタデータ） (2022-11-08T16:00:27Z)
• Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
  トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。 動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。 我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:32:29Z)
• A Differential Game Theoretic Neural Optimizer for Training Residual Networks [29.82841891919951]
  本稿では、残差接続と畳み込み層の両方を受け入れる一般化微分動的プログラミング(DDP)ニューラルアーキテクチャを提案する。 得られた最適制御表現は、トレーニング残余ネットワークを、状態拡張システム上での協調的軌道最適化と解釈できるゲーム論的視点を許容する。
  論文  参考訳（メタデータ） (2020-07-17T10:19:17Z)

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。