Semantic Multi-Resolution Communications

要約

ディープ ラーニング ベースの統合ソース チャネル コーディング (JSCC) は、個別のソース チャネル コーディング (SSCC) と比較してデータ再構築において大幅な進歩を示しています。
この優位性は、有限のブロック長データを処理する場合の SSCC の準最適性から生じます。
さらに、ＳＳＣＣは、最悪のチャネルおよび／または最高品質のデータを満足させようとするだけであるため、マルチユーザおよび／またはマルチ解像度方式でデータを再構築するという点では不十分である。
これらの制限を克服するために、マルチタスク学習 (MTL) の概念に触発された、新しい深層学習マルチ解像度 JSCC フレームワークを提案します。
この提案されたフレームワークは、階層レイヤーを介したさまざまな解像度のデータのエンコードに優れており、エンコードされたデータの現在および過去のレイヤーの両方を活用して効果的にデコードします。
さらに、このフレームワークはセマンティック通信にとって大きな可能性を秘めており、その目的はデータの再構築を超えて、通信プロセス全体を通じて特定のセマンティック属性を保存することにまで及びます。
これらのセマンティック特徴は、分類タスクに不可欠なクラス ラベルや、保存が必要なその他の重要な属性などの重要な要素である可能性があります。
このフレームワーク内では、エンコードされたデータの各レベルを慎重に設計して、特定のデータ セマンティクスを保持できます。
その結果、セマンティック分類子の精度は、連続するレイヤー全体で徐々に向上し、エンコードおよびデコードの段階全体を通じてターゲットのセマンティクスの保持が強調されます。
MNIST と CIFAR10 データセットを使用して実験を行っています。
両方のデータセットを使った実験は、私たちが提案した方法が、異なる解像度でデータを再構成する際に SSCC 方法を上回ることができ、連続するレイヤーで高い信頼性で意味的特徴を抽出できることを示しています。
この機能は、データセット内のより重要な意味論的特徴に優先順位を付けて保存する場合に特に有利です。

要約(オリジナル)

Deep learning based joint source-channel coding (JSCC) has demonstrated significant advancements in data reconstruction compared to separate source-channel coding (SSCC). This superiority arises from the suboptimality of SSCC when dealing with finite block-length data. Moreover, SSCC falls short in reconstructing data in a multi-user and/or multi-resolution fashion, as it only tries to satisfy the worst channel and/or the highest quality data. To overcome these limitations, we propose a novel deep learning multi-resolution JSCC framework inspired by the concept of multi-task learning (MTL). This proposed framework excels at encoding data for different resolutions through hierarchical layers and effectively decodes it by leveraging both current and past layers of encoded data. Moreover, this framework holds great potential for semantic communication, where the objective extends beyond data reconstruction to preserving specific semantic attributes throughout the communication process. These semantic features could be crucial elements such as class labels, essential for classification tasks, or other key attributes that require preservation. Within this framework, each level of encoded data can be carefully designed to retain specific data semantics. As a result, the precision of a semantic classifier can be progressively enhanced across successive layers, emphasizing the preservation of targeted semantics throughout the encoding and decoding stages. We conduct experiments on MNIST and CIFAR10 dataset. The experiment with both datasets illustrates that our proposed method is capable of surpassing the SSCC method in reconstructing data with different resolutions, enabling the extraction of semantic features with heightened confidence in successive layers. This capability is particularly advantageous for prioritizing and preserving more crucial semantic features within the datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google