論文の概要: Storage-Scalable Progressive Semantic Communication via Knowledge-Base Reuse
- arxiv url: http://arxiv.org/abs/2609.10112v1
- Date: Wed, 09 Sep 2026 12:46:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.028799
- Title: Storage-Scalable Progressive Semantic Communication via Knowledge-Base Reuse
- Title（参考訳）: 知識ベース再利用によるストレージスケーラブルなプログレッシブセマンティックコミュニケーション
- Abstract要約: 知識ベース支援セマンティックコミュニケーションスキームでは、シングルナレッジベース量子化(SKBQ)またはマルチ知識ベース残差量子化(MKBQ)が一般的である。
SKBQはストレージオーバーヘッドが限られているが、量子化能力が制限されているのに対し、MKBQは各ステージに独立した知識ベース(KB)を割り当てることで進歩的な改善をサポートし、KBストレージは送信深度とともに線形に成長する。
複数の残差改善段階にまたがってKBのコンパクトな集合を再利用し,その個数を分解する,ストレージスケーラブルな知識ベース再利用量子化(SSKBQ)を提案する。
- 参考スコア（独自算出の注目度）: 9.345888402496401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing knowledge-base-assisted semantic communication schemes commonly adopt either single knowledge-base quantization (SKBQ) or multi-knowledge-base residual quantization (MKBQ). SKBQ incurs limited storage overhead but has restricted quantization capacity, whereas MKBQ supports progressive refinement by assigning an independent knowledge base (KB) to each stage, causing the KB storage to grow linearly with the transmission depth. To address this problem, we propose storage-scalable knowledge-base reuse quantization (SSKBQ), which reuses a compact set of KBs across multiple residual refinement stages and thereby decouples the number of transmission stages from the number of maintained KBs. A stage-aware residual supervision mechanism is further introduced to regularize intermediate quantized representations and encourage progressive refinement. Experimental results demonstrate that KB reuse provides an effective solution to the storage scalability problem while maintaining competitive progressive reconstruction performance.
- Abstract（参考訳）: 既存の知識ベース支援セマンティックコミュニケーションスキームでは、単一の知識ベース量子化(SKBQ)またはマルチ知識ベース残差量子化(MKBQ)が一般的である。
SKBQはストレージオーバーヘッドが限られているが、量子化能力が制限されているのに対し、MKBQは各ステージに独立した知識ベース(KB)を割り当てることで進歩的な改善をサポートし、KBストレージは送信深度とともに線形に成長する。
そこで本研究では,複数の残差改善段階にまたがって,コンパクトなKB集合を再利用し,維持されたKB数から送信ステージ数を分離する,ストレージスケーラブルな知識ベース再利用量子化(SSKBQ)を提案する。
さらに、中間量子化表現を規則化し、進歩的洗練を促進する段階認識残差監視機構が導入された。
実験の結果,KBの再利用は,競争力のある漸進的再構成性能を維持しつつ,ストレージスケーラビリティ問題に対する効果的な解決策を提供することが示された。
関連論文リスト
- Skill-CMIB: Multimodal Agent Skill for Consistent Action via Conditional Multimodal Information Bottleneck [60.930825621351794]
マルチモーダルスキル構築のための条件付きマルチモーダル情報ボトルネック(CMIB)を提案する。
単純な2ストリームの定式化とは異なり、CMIBはテキストスキルにマルチモーダルラテントを明示的に条件付け、したがってクロスモーダルの冗長性を構造的に低減する。
CMIBの条件分解を最適化し、再利用可能なマルチモーダルスキルを得られるようにした変動目的のインスタンスを作成する。
論文 参考訳（メタデータ） (2026-05-08T22:17:54Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Quantifiers of Noise Reducibility Under Restricted Control [0.0]
単調性特性を満たす量子プロセスの実用的有用性の定量化について紹介する。
これらの量化器をオープンループ制御下での量子プロセスのノイズ低減問題に適用すると、時間的相互情報の最大量を表すことが示される。
論文 参考訳（メタデータ） (2025-10-16T05:23:03Z) - Task-Agnostic Learnable Weighted-Knowledge Base Scheme for Robust Semantic Communications [52.36313868773825]
本稿では,手堅い画像伝送のためのタスク非依存学習型重み付き知識ベースセマンティックコミュニケーション(TALSC)フレームワークを提案する。
このフレームワークには、メタラーナーとしてサンプル信頼モジュール(SCM)と学習者としての意味的符号化ネットワークが組み込まれている。
シミュレーションにより,TALSCフレームワークは,タスク非依存の画像意味コミュニケーションにおけるフリップノイズとクラス不均衡の効果を効果的に緩和することを示した。
論文 参考訳（メタデータ） (2025-09-15T07:10:21Z) - Improving Entanglement Resilience in Quantum Memories with Error-Detection-Based Distillation [0.13999481573773068]
エンタングルメント劣化は、スケーラブルな量子ネットワークにとって重要な課題である。
本稿では[4,2,2]量子誤り検出符号に基づく絡み込み蒸留プロトコルを提案する。
本研究では,局所的な操作と古典的通信のみを用いて,記憶された論理的絡み合った状態をリフレッシュする再蒸留戦略について検討する。
論文 参考訳（メタデータ） (2025-09-08T08:47:11Z) - Resource Reduction in Multiparty Quantum Secret Sharing of both Classical and Quantum Information under Noisy Scenario [4.757470449749876]
量子シークレット共有(QSS)は、複数のパーティ間で情報の安全な分散を可能にするが、ノイズに弱いままである。
我々は、ビットフリップ、位相フリップ、振幅減衰ノイズが、古典的メッセージ(QSSCM)のためのマルチパーティQSSと、量子情報(SSQI)プロトコルの秘密共有に与える影響を分析する。
そこで我々はShor符号の簡易版に基づく効率的な量子誤り訂正手法を提案する。
論文 参考訳（メタデータ） (2025-04-23T13:40:06Z) - Feedback-enhanced quantum reservoir computing with weak measurements [1.474723404975345]
フィードバック強化型量子貯水池計算フレームワークを開発した。
また,本モデルが従来のQRC手法よりも優れていることを示す。
これらの知見は、次世代量子機械学習アプリケーションにおけるフィードバック強化型QRCの可能性を示している。
論文 参考訳（メタデータ） (2025-03-23T04:47:06Z) - Continuous Knowledge-Preserving Decomposition with Adaptive Layer Selection for Few-Shot Class-Incremental Learning [73.59672160329296]
CKPD-FSCILは、事前訓練された重量の未使用容量を解放する統合フレームワークである。
本手法は,適応性と知識保持の両面で,最先端の手法より一貫して優れている。
論文 参考訳（メタデータ） (2025-01-09T07:18:48Z) - Feedback-driven quantum reservoir computing for time-series analysis [1.1920094285063136]
量子貯水池計算(QRC)は、非線形情報処理のための計算資源として量子システムを利用する有望な計算パラダイムである。
時系列分析のためのフィードバック駆動型QRCフレームワークを提案する。
我々は,QRCがフィードバック接続によってフェードメモリ特性の取得に成功したことを実証した。
論文 参考訳（メタデータ） (2024-06-22T08:28:08Z) - CBQ: Cross-Block Quantization for Large Language Models [66.82132832702895]
ポストトレーニング量子化(PTQ)は、超低コストで大規模言語モデル(LLM)を圧縮する上で重要な役割を果たしている。
LLMのためのクロスブロック再構成に基づくPTQ手法CBQを提案する。
CBQはリコンストラクションスキームを使用してクロスブロック依存関係を採用し、エラーの蓄積を最小限に抑えるために複数のブロックにまたがる長距離依存関係を確立する。
論文 参考訳（メタデータ） (2023-12-13T07:56:27Z) - MBQuant: A Novel Multi-Branch Topology Method for Arbitrary Bit-width Network Quantization [51.85834744835766]
任意のビット幅量子化のための新しい手法MBQuantを提案する。
本稿では,既存の任意のビット幅量子化法と比較して,MBQuantが大幅な性能向上を実現していることを示す。
論文 参考訳（メタデータ） (2023-05-14T10:17:09Z) - Learning Representations for CSI Adaptive Quantization and Feedback [51.14360605938647]
本稿では,周波数分割二重化システムにおける適応量子化とフィードバックの効率的な手法を提案する。
既存の研究は主に、CSI圧縮のためのオートエンコーダ(AE)ニューラルネットワークの実装に焦点を当てている。
1つはポストトレーニング量子化に基づくもので、もう1つはAEのトレーニング中にコードブックが見つかる方法である。
論文 参考訳（メタデータ） (2022-07-13T08:52:13Z) - Cluster-Promoting Quantization with Bit-Drop for Minimizing Network
Quantization Loss [61.26793005355441]
クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。
DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。
本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
論文 参考訳（メタデータ） (2021-09-05T15:15:07Z)
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。