論文の概要: Cooperative Multi-Task Semantic Communication for Joint Classification and Regression Tasks

• arxiv url: http://arxiv.org/abs/2609.03977v1
• Date: Thu, 03 Sep 2026 15:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.127883
• Title: Cooperative Multi-Task Semantic Communication for Joint Classification and Regression Tasks
• Title（参考訳）: 共同分類作業と回帰作業のための協調型マルチタスクセマンティックコミュニケーション
• Abstract要約: MultiTask semantic communication (SemCom) は、将来のネットワークにおいて、ビット精度の再構築よりも複数のタスクの同時実行を優先する。 CMT-SemComは、単純化データセット上の均質な分類タスクについて評価されている。 我々はCMT-SemComを拡張し、複雑なCityデータセット上の異種分類と回帰タスクを共同で処理する。
• 参考スコア（独自算出の注目度）: 4.610618579893945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-Task semantic communication (SemCom) prioritizes simultaneous execution of multiple tasks over bit-accurate reconstruction in future intelligent networks. In our prior work [1], we introduced the cooperative multi-task SemCom (CMT-SemCom) framework, in which the semantic encoder is divided into a common unit (CU) and multiple specific units (SUs) to facilitate cooperative multi-task processing. However, CMT-SemCom has been evaluated on homogeneous classification tasks on simplistic datasets, limiting its applicability to real-world perception systems. In this paper, we extend our CMT-SemCom to jointly handle heterogeneous classification and regression tasks on the complex Cityscapes dataset. We adopt the information maximization (InfoMax) principle so that it accommodates mixed discrete and continuous semantic variables. In particular, we benchmark the proposed framework against independent single-task training, a conventional task-agnostic digital transmission, and single-encoder multi-decoder SemCom. Additionally, we investigate the impact of CU capacity on joint task performance, providing design insights. Extensive evaluations demonstrate that CMT-SemCom significantly outperforms the benchmarks.
• Abstract（参考訳）: マルチタスクセマンティックコミュニケーション(SemCom)は、将来のインテリジェントネットワークにおいて、ビット精度の再構築よりも複数のタスクの同時実行を優先する。 先行研究[1]では、協調マルチタスク処理を容易にするために、セマンティックエンコーダを共通単位(CU)と複数特定単位(SU)に分割する、協調マルチタスクセムコム(CMT-SemCom)フレームワークを導入した。 しかし、CMT-SemComは、単純化されたデータセット上の均質な分類タスクについて評価され、現実世界の知覚システムに適用可能である。 本稿では、CMT-SemComを拡張し、複雑なCityscapesデータセット上での不均一な分類と回帰タスクを共同で処理する。 我々は、情報最大化(InfoMax)の原則を採用し、混合離散型および連続型セマンティック変数に対応する。 特に、従来のタスクに依存しないデジタルトランスミッション、シングルエンコーダのマルチデコーダSemComに対して、提案したフレームワークをベンチマークする。 さらに,CU能力が共同作業性能に及ぼす影響について検討し,設計上の洞察を提供する。 大規模な評価の結果、CMT-SemComはベンチマークを著しく上回る結果となった。

関連論文リスト

• Semantic-Aware Task Clustering for Constructive and Cooperative Multi-Tasking [6.198237241838558]
  CMT-SemComのための意味認識型タスククラスタリング手法を提案する。 提案手法は, 破壊的協調と負の移動を効果的に緩和することを示す。
  論文  参考訳（メタデータ） (2026-07-23T15:29:39Z)
• Semantic-Aware Task Clustering for Federated Cooperative Multi-Task Semantic Communication [6.198237241838558]
  タスク指向意味コミュニケーション(SemCom)は、正確なシンボル再構成よりもタスク実行を優先する。 CMT-SemCom フレームワークを分散環境に拡張し,FL ベースの CMT-SemCom を提案する。 本稿では,FLプロセスに統合された意味認識型タスククラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2026-01-24T11:41:00Z)
• MEJO: MLLM-Engaged Surgical Triplet Recognition via Inter- and Intra-Task Joint Optimization [52.149337961205624]
  手術用三重項認識のためのタスク間最適化とタスク内最適化を両立する枠組みを提案する。 タスク間最適化のために、タスク共有およびタスク固有コンポーネントに表現を分解する共有特徴分散学習スキーム(S$2$D)を導入する。 タスク内最適化競合に対して,正負の曖昧さを識別・再バランスするコーディネート・グラディエント・ラーニング(CGL)戦略を開発する。
  論文  参考訳（メタデータ） (2025-09-16T09:48:52Z)
• Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
  マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。 経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。 推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
  論文  参考訳（メタデータ） (2025-05-29T07:24:37Z)
• Cooperative and Collaborative Multi-Task Semantic Communication for Distributed Sources [8.22548024950756]
  我々は、エンコーダを共通単位(CU)と多重特定単位(SU)に分割する[1]で導入された協調マルチタスク処理に基づいて構築する。 本稿では,マルチタスク処理をサポートするSemComシステムを提案する。
  論文  参考訳（メタデータ） (2024-11-04T15:07:48Z)
• Semantic Communication for Cooperative Multi-Task Processing over Wireless Networks [8.766411351797885]
  一つの観察から複数の意味論的解釈を可能にする「意味源」の概念を導入する。 通信チャネルを考慮したエンドツーエンド最適化問題を定式化した。 この結果から,協調型マルチタスキングが必ずしも有用であるとは限らないことが示唆された。
  論文  参考訳（メタデータ） (2024-04-12T14:03:41Z)
• MmAP : Multi-modal Alignment Prompt for Cross-domain Multi-task Learning [29.88567810099265]
  マルチタスク学習は複数の相関タスクを同時に訓練するように設計されている。 この課題に対処するために、デコーダフリーの視覚言語モデルCLIPを統合する。 CLIPのためのマルチモーダルアライメント・プロンプト(MmAP)を提案する。
  論文  参考訳（メタデータ） (2023-12-14T03:33:02Z)
• Multi-Receiver Task-Oriented Communications via Multi-Task Deep Learning [49.83882366499547]
  本稿では、送信機が複数の受信機と通信する環境でのタスク指向通信について検討する。 複数のタスクを完了し、複数の受信機と通信する共同最適化のためのマルチタスク深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T01:34:34Z)
• Semi-supervised Multi-task Learning for Semantics and Depth [88.77716991603252]
  MTL(Multi-Task Learning)は、関連するタスク間で表現を共有することで、モデル一般化を強化することを目的としている。 そこで本研究では,異なるデータセットから利用可能な監視信号を活用するために,半教師付きマルチタスク学習(MTL)手法を提案する。 本稿では,データセット間の整合性の問題を軽減するために,様々なアライメントの定式化を施したドメイン認識識別器構造を提案する。
  論文  参考訳（メタデータ） (2021-10-14T07:43:39Z)
• Cross-modal Consensus Network for Weakly Supervised Temporal Action Localization [74.34699679568818]
  時間的行動局所化 (WS-TAL) は、ビデオレベルの分類的監督によって、ビデオ内のアクションインスタンスをローカライズすることを目的とした課題である。 この問題に対処するためのクロスモーダルコンセンサスネットワーク(CO2-Net)を提案する。
  論文  参考訳（メタデータ） (2021-07-27T04:21:01Z)
• Multi-task Over-the-Air Federated Learning: A Non-Orthogonal Transmission Approach [52.85647632037537]
  複数の学習タスクがエッジサーバ(ES)の協調の下でデータ収集および学習モデルのためのエッジデバイスを共有するマルチタスク・オーバーテア・フェデレーション・ラーニング(MOAFL)フレームワークを提案する。 収束解析と数値計算の両方の結果から,MOAFLフレームワークは学習性能を著しく低下させることなく,複数のタスクのアップリンク帯域幅の消費を大幅に削減できることが示された。
  論文  参考訳（メタデータ） (2021-06-27T13:09:32Z)

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。