論文の概要: Federated Learning for Semantic Communications over Multiple Access Channels

• arxiv url: http://arxiv.org/abs/2610.37951v1
• Date: Tue, 27 Oct 2026 20:36:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.330733
• Title: Federated Learning for Semantic Communications over Multiple Access Channels
• Title（参考訳）: 複数のアクセスチャネルを用いた意味的コミュニケーションのためのフェデレーション学習
• Abstract要約: 本稿では,Multiple Access Channel (MAC)上のセマンティックコミュニケーション(SemCom)のためのフレームワークを提案する。 複数の分散送信機は、エンド・ツー・エンドの学習した意味表現を用いて、セマンティック情報を共通の受信機に同時に伝達する。
• 参考スコア（独自算出の注目度）: 8.18393587112312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a federated learning (FL) framework for semantic communication (SemCom) over the multiple access channel (MAC), where multiple distributed transmitters simultaneously convey semantic information to a common receiver using end-to-end learned semantic representations. Semantic feature extraction, compression, wireless transmission, and semantic inference are jointly optimized through FL-based SemCom. Unlike conventional SemCom systems that train users independently, simultaneous semantic transmissions over the MAC enable concurrent training of multiple transmitters within the same transmission interval, thereby reducing training overhead and channel usage. Federated semantic aggregation is incorporated with shared and personalized encoder components, allowing transmitters with limited local training data to benefit from semantic representations learned from transmitters possessing larger datasets while preserving local adaptation. Evaluated using the CIFAR-10 dataset over fading channels, the proposed approach maintains high semantic inference accuracy under shared wireless access and significantly improves performance under severe data imbalance. In the meantime, simultaneous semantic transmissions can significantly reduce training overhead while preserving robust semantic performance across distributed transmitters with heterogeneous local datasets. These results highlight the potential of combining FL and SemCom to support scalable and communication-efficient edge intelligence in future wireless networks.
• Abstract（参考訳）: 本稿では,マルチアクセスチャネル(MAC)上でのセマンティック・コミュニケーション(セマンティック・コミュニケーション,セマンティック・コミュニケーション,セマンティック・コミュニケーション,セマンティック・コミュニケーション,セマンティック・コミュニケーション,セマンティック・コミュニケーション)のためのフレームワークについて述べる。 セマンティック特徴抽出、圧縮、無線伝送、セマンティック推論は、FLベースのSemComによって共同で最適化される。 ユーザを個別に訓練する従来のSemComシステムとは異なり、MAC上の同時セマンティックトランスミッションは、同じ送信間隔内で複数の送信者の同時トレーニングを可能にする。 フェデレートされたセマンティックアグリゲーションは、共有およびパーソナライズされたエンコーダコンポーネントに組み込まれており、限られたローカルトレーニングデータを持つ送信機は、ローカル適応を保ちながら、より大きなデータセットを持つ送信機から学んだセマンティック表現の恩恵を受けることができる。 フェージングチャネル上のCIFAR-10データセットを用いて評価し、共有無線アクセス下では高いセマンティック推論精度を維持し、重度のデータ不均衡下での性能を著しく向上させる。 一方、同時セマンティックトランスミッションは、不均一なローカルデータセットを持つ分散送信機間で堅牢なセマンティックパフォーマンスを維持しながら、トレーニングオーバーヘッドを大幅に削減することができる。 これらの結果は、FLとSemComを組み合わせることで、将来の無線ネットワークにおけるスケーラブルで通信効率の良いエッジインテリジェンスをサポートする可能性を浮き彫りにしている。

関連論文リスト

• Semantic Communication-Enhanced Split Federated Learning for Vehicular Networks: Architecture, Challenges, and Case Study [50.345531105285524]
  車両エッジインテリジェンス(VEI)は、将来のインテリジェントトランスポートシステムにとって不可欠である。 動的車両ネットワークにおける従来の集中学習は、通信オーバーヘッドとプライバシーリスクに直面する。 本稿では,意味コミュニケーション強化型分割学習(SC-USFL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-05T08:36:49Z)
• Task-Oriented Low-Label Semantic Communication With Self-Supervised Learning [67.06363342414397]
  タスク指向の意味コミュニケーションは、正確なメッセージではなく意味情報を伝達することで伝達効率を高める。 深層学習(DL)に基づく意味コミュニケーションは、意味抽出、伝達、解釈に不可欠な意味知識を効果的に育むことができる。 タスク推論性能を向上させるための自己教師付き学習ベースセマンティックコミュニケーションフレームワーク(SLSCom)を提案する。
  論文  参考訳（メタデータ） (2025-05-26T13:06:18Z)
• Latent Diffusion Model-Enabled Low-Latency Semantic Communication in the Presence of Semantic Ambiguities and Wireless Channel Noises [18.539501941328393]
  本稿では,ソースデータのアウトレイラを処理するために,遅延拡散モデルを用いたSemComシステムを開発した。 軽量な単層遅延空間変換アダプタは、送信機でのワンショット学習を完了させる。 終端整合蒸留法を用いて, 潜時空間で訓練した拡散模型を蒸留する。
  論文  参考訳（メタデータ） (2024-06-09T23:39:31Z)
• Deep Joint Semantic Coding and Beamforming for Near-Space Airship-Borne Massive MIMO Network [70.63240823677182]
  近距離飛行船搭載通信網は、緊急に信頼性と効率のよい飛行船対Xリンクを必要とする。 本稿では,MIMO(Multiple-Input multiple-output)技術とセマンティックコミュニケーションを統合することを提案する。
  論文  参考訳（メタデータ） (2024-05-30T09:46:59Z)
• Decentralized Learning over Wireless Networks with Broadcast-Based Subgraph Sampling [36.99249604183772]
  この研究は、コンセンサスに基づく分散降下(D-SGD)を用いた、無線ネットワーク上の分散学習のコミュニケーション面を中心にしている。 ネットワーク内情報交換による実際の通信コストや遅延を考慮すると,送信スロット毎の改善によって測定されたアルゴリズムの高速収束を実現することが目的である。 本稿では,無線ネットワーク上でのD-SGDの効率的な通信フレームワークであるBASSを提案する。
  論文  参考訳（メタデータ） (2023-10-24T18:15:52Z)
• Semantics Alignment via Split Learning for Resilient Multi-User Semantic Communication [56.54422521327698]
  最近の意味コミュニケーションの研究は、ディープジョイントソースやチャネルコーディング(DeepJSCC)のようなニューラルネットワーク(NN)ベースのトランシーバに依存している。 従来のトランシーバとは異なり、これらのニューラルトランシーバは実際のソースデータとチャネルを使用してトレーニング可能であり、セマンティクスを抽出し通信することができる。 本稿では,分割学習(SL)と部分的NN微調整技術を活用する分散学習ベースソリューションを提案する。
  論文  参考訳（メタデータ） (2023-10-13T20:29:55Z)
• Communication-Efficient Framework for Distributed Image Semantic Wireless Transmission [68.69108124451263]
  IoTデバイスを用いたマルチタスク分散画像伝送のためのFederated Learning-based semantic communication (FLSC)フレームワーク。 各リンクは階層型視覚変換器(HVT)ベースの抽出器とタスク適応トランスレータで構成される。 チャネル状態情報に基づく多重出力多重出力伝送モジュール。
  論文  参考訳（メタデータ） (2023-08-07T16:32:14Z)
• Alternate Learning based Sparse Semantic Communications for Visual Transmission [13.319988526342527]
  セマンティック通信(Semantic Communication, SemCom)は、従来のビットレベルの正確な伝送よりも優れていることを示す。 本稿では,SparseSBC という視覚伝達のための代替学習システム SemCom を提案する。
  論文  参考訳（メタデータ） (2023-07-31T03:34:16Z)

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。