論文の概要: Foundation Models for Generalizable Semantic and Goal-Oriented Communication

• arxiv url: http://arxiv.org/abs/2609.07853v1
• Date: Mon, 07 Sep 2026 18:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.498539
• Title: Foundation Models for Generalizable Semantic and Goal-Oriented Communication
• Title（参考訳）: 汎用セマンティック・ゴール指向コミュニケーションのための基礎モデル
• Abstract要約: 我々はFMSGOC(Foundation Model-Guided Semantic and Goal-Oriented Communication)を紹介する。 スパース、ゴールアラインアンカーにビットを集中させることでレート効率を向上し、マスクされた領域を再構築するために生成ファンデーションモデルに依存する。 CIFAR-10ではコサイン類似度0.87-0.90)を保ち、これまで見えない入力(ImageNetでは0.83-0.86)で頑健であり、知覚類似性(0.1278/0.1558、CIFAR-10/ ImageNet)が良好である。
• 参考スコア（独自算出の注目度）: 42.78591555984395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic and goal-oriented communication is increasingly studied for 6G, but generalization beyond seen data remains a key weakness under tight rate budgets. Many existing systems overfit their training data and degrade sharply at very low bit rates because they attempt to compress the entire signal. We introduce Foundation Model-Guided Semantic and Goal-Oriented Communication (FMSGOC), a framework that uses broad visual-linguistic Foundation Model priors to mitigate overfitting. It further improves rate efficiency by concentrating bits on sparse, goal-aligned anchors and relying on generative foundation-model priors to reconstruct the masked regions. By decoupling what to send from how to reconstruct, a vision-language foundation model selects and transmits a sparse set of semantic anchors, while a pretrained diffusion model, fine-tuned for masked completion, reconstructs the image at the receiver. In our experiments, FMSGOC reaches 0.039 bits per pixel (BPP), maintains high semantic fidelity (cosine similarity 0.87-0.90 on CIFAR-10), remains robust on previously unseen inputs (0.83-0.86 on ImageNet), and shows good perceptual similarity (0.1278/0.1558, CIFAR-10/ImageNet), outperforming strong end-to-end baselines at lower bit rates.
• Abstract（参考訳）: セマンティックとゴール指向のコミュニケーションは6Gではますます研究されているが、データ以外の一般化は、厳格なレート予算の下では依然として重要な弱点である。 多くの既存のシステムはトレーニングデータに過度に適合し、信号全体を圧縮しようとするため、非常に低ビットレートで急激に劣化する。 FMSGOC(Foundation Model-Guided Semantic and Goal-Oriented Communication)は、広義の視覚言語モデルを用いた、オーバーフィッティングを緩和するフレームワークである。 さらに、スパース、ゴールアライメントアンカーにビットを集中させ、マスクされた領域を再構築する生成基盤モデルに頼ることで、レート効率を向上する。 再構成方法から送信するものを分離することにより、視覚言語基礎モデルは、スパースセットのセマンティックアンカーを選択して送信し、一方、マスクされた完了のために微調整された事前訓練された拡散モデルは、レシーバのイメージを再構成する。 我々の実験では、FMSGOCは1ピクセルあたり0.039ビットに達し、高いセマンティック忠実度(CIFAR-10のコサイン類似度0.87-0.90)を維持し、画像Netの0.83-0.86で頑健であり、高い知覚類似性(0.1278/0.1558, CIFAR-10/ ImageNet)を示し、低ビットレートで強力なエンドツーエンドベースラインを上回っている。

関連論文リスト

• A Frozen Pixel-Space Diffusion Model Can Guide Itself with Its Own Samples [53.8898272536272]
  画素空間拡散モデルは、生のピクセル上でエンドツーエンドのジェネレータを直接学習することを目的としている。 最近の研究は、代替の予測ターゲット、訓練目標、アーキテクチャによるピクセル拡散を改善している。 我々は、より安価で相補的な戦略があることを示します。textbfaフリーズ、事前訓練されたピクセル拡散モデルは、自身をガイドすることができます。
  論文  参考訳（メタデータ） (2026-07-31T07:52:08Z)
• ZID-Net: Zero-Inference Diffusion Prior Decoupling Network for Single Image Dehazing [10.634107398163676]
  単一画像のデハージングは、回復品質と計算効率のトレードオフによって制約されることが多い。 ZID-Netは、フィードフォワード推論から拡散監視を明示的に分離する新しいフレームワークである。 ZID-Netは、合成RESIDEデータセット上で40.75dBのPSNRを達成し、実世界のデータセットで1.13dBのゲインで既存のメソッドを上回ります。
  論文  参考訳（メタデータ） (2026-04-26T13:44:25Z)
• VFM-Recon: Unlocking Cross-Domain Scene-Level Neural Reconstruction with Scale-Aligned Foundation Priors [49.39553550491549]
  VFMReconは, シーンレベルの神経再構成において, スケール一貫性の要求を満たすトランスファー可能なVFMプリエントをブリッジする最初の試みである。 具体的には、まず、マルチビュースケールコヒーレンスを復元する軽量なスケールアライメントステージを導入する。 次に、トレーニング済みのVFM機能を、軽量なタスク固有アダプタを介して、ニューラルボリューム再構築パイプラインに統合する。
  論文  参考訳（メタデータ） (2026-03-13T05:00:44Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
  再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。 当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-21T14:51:01Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• AttenScribble: Attentive Similarity Learning for Scribble-Supervised Medical Image Segmentation [5.8447004333496855]
  本稿では,単純かつ効果的なスクリブル教師あり学習フレームワークを提案する。 我々は、任意の完全畳み込みネットワーク(FCN)バックボーンの内部特徴層の上に、接続可能な空間自己アテンションモジュールを作成する。 この注意深い類似性は、セグメンテーション予測と視覚親和性の一貫性を課する新たな正規化損失をもたらす。
  論文  参考訳（メタデータ） (2023-12-11T18:42:18Z)
• Contrastive Adapters for Foundation Model Group Robustness [11.961187296775185]
  既存のロバスト性を改善するには再訓練が必要であるが、これは大規模な基礎モデルでは違法に高価である。 そこで本研究では,コントラスト学習を伴うアダプタを訓練し,それらの接地構造クラス埋め込みと,同じクラスに他のサンプル埋め込みの両方に近接してサンプル埋め込みをもたらすことを提案する。 提案手法は群ロバスト性を常に改善し,ゼロショットよりも最悪のグループ精度を8.5～56.0ppに向上させる。
  論文  参考訳（メタデータ） (2022-07-14T19:40:55Z)
• Adaptive Clustering of Robust Semantic Representations for Adversarial Image Purification [0.9203366434753543]
  我々は、モデルに依存しず、目に見えない敵に対して汎用可能な、敵対攻撃に対する堅牢な防御を提案します。 本稿では,各クラスの潜在表現を抽出し,意味的類似性を持つ潜在表現を適応的にクラスタ化する。 我々は、逆空間表現と真のクラスタ分布の間の距離を最小化するために、潜空間表現を制限する新しいモデルを逆向きに訓練する。
  論文  参考訳（メタデータ） (2021-04-05T21:07:04Z)

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。