論文の概要: Neural Network Verification for Deep Joint Source-Channel Coding
- arxiv url: http://arxiv.org/abs/2610.11994v1
- Date: Thu, 08 Oct 2026 14:02:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.065894
- Title: Neural Network Verification for Deep Joint Source-Channel Coding
- Title（参考訳）: ディープジョイント・ソース・チャネル符号化のためのニューラルネットワーク検証
- Abstract要約: 本稿では,DeepJSCCのデコーダを検証するための最初のバウンドプロパゲーションフレームワークを提案する。
また,Lipschitz-regularized global robustness training(GloRo)をインスタンス化し,グローバルなロバスト性を改善し,DeepJSCCモデルの厳格な認証を可能にする。
- 参考スコア（独自算出の注目度）: 7.477547166922622
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep joint source-channel coding (DeepJSCC) transmits data end-to-end over wireless channels using a neural encoder-decoder, but reconstruction quality can degrade sharply under adversarial perturbations and channel disturbances; no method formally bounds this degradation for DeepJSCC. We present the first bound-propagation framework for verifying DeepJSCC's decoder, bounding worst-case reconstruction error over a given wireless channel's noise region. Current deep neural network (DNN) verifiers do not support three DeepJSCC decoder components: parametric rectified linear activations (PReLU), transposed convolutions, and Rayleigh fading. We extend state-of-the-art techniques for optimization of linear relaxation in DNN verification for PReLU, replace the transposed convolution with its restricted upsample-then-convolution form, and formulate Rayleigh fading as a structural perturbation prepended directly into the decoder, thereby reducing the dimensionality of the verification problem. We also instantiate Lipschitz-regularized global robustness training, denoted GloRo, improving global robustness and enabling tight certification of DeepJSCC models for the first time. On DeepJSCC model for image transmission, this global robustness training procedure combined with structural encoding lowers the median certified bound by up to 41% and certifies about ten times more safe cases (192 against 19) than GloRo with interval encoding at a 10-degree error in channel estimation. Over-the-air validation with an orthogonal frequency-division multiplexing (OFDM) implementation on software-defined radio devices confirm the certificate holds on real hardware, with a worst observed error on radio link at 0.082 against a certified bound of 0.128.
- Abstract（参考訳）: ディープジョイント・ソース・チャネル符号化(DeepJSCC)は、ニューラルエンコーダ・デコーダを用いて無線チャネル上でデータをエンドツーエンドに送信するが、再構成品質は逆の摂動やチャネル障害によって著しく低下する。
本稿では,DeepJSCCのデコーダを検証するための最初のバウンドプロパゲーションフレームワークを提案する。
現在のディープニューラルネットワーク(DNN)検証器は、3つのディープJSCCデコーダコンポーネントをサポートしていない。
我々は、PRELUのDNN検証における線形緩和の最適化のための最先端技術を拡張し、変換された畳み込みを制限されたアップサンプル-then-畳み込み形式に置き換え、デコーダに直接プリプロットされた構造的摂動としてレイリーをフェーディングさせ、検証問題の次元性を減少させる。
また,Lipschitz-regularized global robustness training(GloRo)をインスタンス化し,グローバルなロバスト性を改善し,DeepJSCCモデルの厳格な認証を可能にする。
画像伝送のためのDeepJSCCモデルでは、この大域的ロバストネストレーニングと構造的エンコーディングを組み合わせることで、中央値が最大41%低下し、チャンネル推定の10度の誤差でインターバルエンコーディングを行うGloRoの約10倍の安全ケース(192対19)が認定される。
ソフトウェア定義の無線デバイス上での直交周波数分割多重化(OFDM)実装によるオーバー・ザ・エアの検証では、認証が実際のハードウェアに保持されていることが確認された。
関連論文リスト
- TwinViT-DeepJSCC: Adversarially Robust Semantic Image Communication [16.251239119986348]
学習に基づくセマンティックコミュニケーションは、セマンティックエンコーディングや無線チャネルよりも先に導入された敵の摂動に対して脆弱である。
本稿では,固定チャネル利用予算の下で動作する予防的補正型セマンティックイメージトランシーバであるTwinViT-DeepJSCCを提案する。
TwinViT-DeepJSCCはチャネル利用と攻撃の予算が一致し、最大信号対雑音比(PSNR)は約9.5dBに達する。
論文 参考訳（メタデータ） (2026-10-06T15:57:08Z) - Joint Source-Channel-Generation Coding: From Distortion-oriented Reconstruction to Semantic-consistent Generation [58.67925548779465]
本稿では,知覚的再構成から確率的生成へ焦点を移す新しいパラダイムとして,JSCGC(Joint Source-Channel-Generation Coding)を提案する。
JSCGCは意味的品質と意味的忠実性を大幅に改善し、従来の歪み指向J SCC法よりも大幅に向上する。
論文 参考訳（メタデータ） (2026-01-19T08:12:47Z) - SecDiff: Diffusion-Aided Secure Deep Joint Source-Channel Coding Against Adversarial Attacks [73.41290017870097]
SecDiffは、プラグイン・アンド・プレイの拡散支援デコーディングフレームワークである。
対向無線環境下での深部JSCCの安全性と堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2025-11-03T11:24:06Z) - Semantic Channel Equalization Strategies for Deep Joint Source-Channel Coding [8.967618587731694]
ディープジョイント・ソース・チャネル・コーディング(DeepJSCC)は、エンドツーエンドのセマンティック・コミュニケーションの強力なパラダイムとして登場した。
既存のDeepJSCCスキームは送信機(TX)と受信機(RX)で共有潜在空間を仮定する。
このミスマッチは、"セマンティックノイズ"を導入し、再構築品質を劣化させ、下流タスクのパフォーマンスを低下させる。
論文 参考訳（メタデータ） (2025-10-06T10:29:07Z) - SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。
既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。
逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
論文 参考訳（メタデータ） (2025-03-16T12:32:11Z) - Diffusion-Aided Joint Source Channel Coding For High Realism Wireless Image Transmission [24.372996233209854]
DiffJSCCは条件拡散復調法により高現実性画像を生成する新しいフレームワークである。
768x512ピクセルのコダック画像を3072のシンボルで再現できる。
論文 参考訳（メタデータ） (2024-04-27T00:12:13Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z) - Denoising Diffusion Error Correction Codes [92.10654749898927]
近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。
最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。
本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
論文 参考訳（メタデータ） (2022-09-16T11:00:50Z) - Discrimination-aware Network Pruning for Deep Model Compression [79.44318503847136]
既存のプルーニング手法は、スクラッチからスパーシティ制約で訓練するか、事前訓練されたモデルと圧縮されたモデルの特徴マップ間の再構成誤差を最小限に抑えるかのいずれかである。
本稿では,識別能力に実際に寄与するチャネルを選択するために,識別認識チャネルプルーニング (DCP) と呼ばれる簡便な手法を提案する。
画像分類と顔認識の両方の実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-01-04T07:07:41Z)
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。