論文の概要: Leveraging Kernel Symmetry for Joint Compression and Error Mitigation in Edge Model Transfer

• arxiv url: http://arxiv.org/abs/2604.17371v1
• Date: Sun, 19 Apr 2026 10:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.490734
• Title: Leveraging Kernel Symmetry for Joint Compression and Error Mitigation in Edge Model Transfer
• Title（参考訳）: エッジモデル転送における関節圧縮と誤差軽減のためのレバレッジカーネル対称性
• Authors: Anis Hamadouche, Mathini Sellathurai,
• Abstract要約: 本稿では,畳み込みカーネルにおける構造的対称性制約を利用して,通信効率のよいニューラルネットワーク伝送について検討する。 すべてのモデルパラメータを送信するのではなく、選択された対称性群によって入力される一意係数のみを送信する自由度(DoF)ベースのモデルを提案する。
• 参考スコア（独自算出の注目度）: 3.231396702901076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates communication-efficient neural network transmission by exploiting structured symmetry constraints in convolutional kernels. Instead of transmitting all model parameters, we propose a degrees-of-freedom (DoF) based codec that sends only the unique coefficients implied by a chosen symmetry group, enabling deterministic reconstruction of the full weight tensor at the receiver. The proposed framework is evaluated under quantization and noisy channel conditions across multiple symmetry patterns, signal-to-noise ratios, and bit-widths. To improve robustness against transmission impairments, a projection step is further applied at the receiver to enforce consistency with the symmetry-invariant subspace, effectively denoising corrupted parameters. Experimental results on MNIST and CIFAR-10 using a DeepCNN architecture demonstrate that DoF-based transmission achieves substantial bandwidth reduction while preserving significantly higher accuracy than pruning-based baselines, which often suffer catastrophic degradation. Among the tested symmetries, \textit{central-skew symmetry} consistently provides the best accuracy-compression tradeoff, confirming that structured redundancy can be leveraged for reliable and efficient neural model delivery over constrained links.
• Abstract（参考訳）: 本稿では,畳み込みカーネルにおける構造的対称性制約を利用して,通信効率のよいニューラルネットワーク伝送について検討する。 すべてのモデルパラメータを伝送する代わりに、選択された対称性群によって入力される一意係数のみを送信する自由度(DoF)ベースのコーデックを提案し、受信機における全重みテンソルの決定論的再構成を可能にする。 提案手法は,複数の対称性パターン,信号対雑音比,ビット幅にまたがる量子化および雑音チャネル条件下で評価される。 送信障害に対するロバスト性を改善するため、受信機でさらにプロジェクションステップを適用し、対称性不変部分空間との整合性を強制し、劣化したパラメータを効果的にデノベートする。 DeepCNNアーキテクチャを用いたMNISTとCIFAR-10の実験結果から、DoFベースの伝送は、破砕ベースラインよりもかなり高い精度を保ちながら、相当な帯域幅削減を実現することが示された。 テストされた対称性の中で、‘textit{central-skew symmetric} は一貫して最高の精度圧縮トレードオフを提供し、構造化冗長性は制約付きリンクよりも信頼性が高く効率的なニューラルモデル配信に有効であることを確認した。

関連論文リスト

• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Statistical-Geometric Degeneracy in UAV Search: A Physics-Aware Asymmetric Filtering Approach [23.49656058107753]
  無人航空機 (UAV) を用いた災害後の生存者の移動は、基本的な物理的課題に直面している。 標準ガウスノイズとは異なり、破片からの信号反射は厳密に非負の範囲バイアスをもたらす。 既存のロバストな推定器は一般に対称損失関数で設計され、暗黙的に誤差対称性の仮定に依存する。 我々はNLOSバイアスの非負の物理先行を明示的に組み込んだ物理基底解 AsymmetricHuberEKF を提案する。
  論文  参考訳（メタデータ） (2026-02-11T08:33:56Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• Reinforcement Learning Using known Invariances [54.91261509214309]
  本稿では、既知のグループ対称性をカーネルベースの強化学習に組み込むための理論的枠組みを開発する。 対称性を意識したRLは、標準のカーネルよりも大幅に性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-11-05T13:56:14Z)
• A Bayesian Framework for Symmetry Inference in Chaotic Attractors [0.0]
  候補部分群の格子上での確率的モデル選択として対称性検出を定式化する枠組みを提案する。 人間の歩行力学への応用は、機械的制約によって引き起こされる対称性の変化を明らかにする。
  論文  参考訳（メタデータ） (2025-10-18T13:49:35Z)
• Bridging Symmetry and Robustness: On the Role of Equivariance in Enhancing Adversarial Robustness [9.013874391203453]
  敵対的な例では、知覚不能な入力摂動に対する感度を利用して、ディープニューラルネットワークの重大な脆弱性を明らかにしている。 本研究では,群-同変畳み込みを組込み,対向ロバスト性に対するアーキテクチャ的アプローチについて検討する。 これらの層は、モデル行動と入力空間の構造化変換を整合させる対称性の先行を符号化し、よりスムーズな決定境界を促進する。
  論文  参考訳（メタデータ） (2025-10-17T19:26:58Z)
• 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)
• Sampling asymmetric open quantum systems for artificial neural networks [77.34726150561087]
  非対称な開系に対する高速収束時間と高いスケーラビリティを実現し,非対称性を考慮したハイブリッドサンプリング戦略を提案する。 我々は、ニューラルネットワークの普遍的適用性を強調し、ニューラルネットワークの普遍的適用性を概説する。
  論文  参考訳（メタデータ） (2020-12-20T18:25:29Z)

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。