GeNet: A Graph Neural Network-based Anti-noise Task-Oriented Semantic Communication Paradigm

要約

セマンティック通信タスクに対する従来のアプローチは、チャネル ノイズを軽減するために信号対雑音比 (SNR) の知識に依存しています。
さらに、これらの方法では特定の SNR 条件下でのトレーニングが必要となり、かなりの時間と計算リソースが必要になります。
この論文では、ノイズと闘い、それによってタスク指向通信 (TOC) を促進することを目的としたセマンティック通信のためのグラフ ニューラル ネットワーク (GNN) ベースのパラダイムである GeNet を提案します。
私たちは、最初に入力データ画像をグラフ構造に変換する新しいアプローチを提案します。
次に、GNN ベースのエンコーダーを利用して、ソース データからセマンティック情報を抽出します。
この抽出された意味情報は、チャネルを通じて送信されます。
受信側では、GNN ベースのデコーダを利用して、TOC のソース データから関連するセマンティック情報が再構築されます。
実験的評価を通じて、SNR 依存性を分離しながら、アンチノイズ TOC における GeNet の有効性を示します。
さらにノード数を変化させて GeNet のパフォーマンスを評価し、セマンティック通信の新しいパラダイムとしてのその多用途性を明らかにしました。
さらに、データ拡張に頼らずに、さまざまな回転角度でテストすることで、幾何学的変換に対する GeNet の堅牢性を示します。

要約(オリジナル)

Traditional approaches to semantic communication tasks rely on the knowledge of the signal-to-noise ratio (SNR) to mitigate channel noise. Moreover, these methods necessitate training under specific SNR conditions, entailing considerable time and computational resources. In this paper, we propose GeNet, a Graph Neural Network (GNN)-based paradigm for semantic communication aimed at combating noise, thereby facilitating Task-Oriented Communication (TOC). We propose a novel approach where we first transform the input data image into graph structures. Then we leverage a GNN-based encoder to extract semantic information from the source data. This extracted semantic information is then transmitted through the channel. At the receiver’s end, a GNN-based decoder is utilized to reconstruct the relevant semantic information from the source data for TOC. Through experimental evaluation, we show GeNet’s effectiveness in anti-noise TOC while decoupling the SNR dependency. We further evaluate GeNet’s performance by varying the number of nodes, revealing its versatility as a new paradigm for semantic communication. Additionally, we show GeNet’s robustness to geometric transformations by testing it with different rotation angles, without resorting to data augmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google