Joint Sensing and Semantic Communications with Multi-Task Deep Learning

要約

この論文では、セマンティック通信への拡張を伴う、共同センシングと通信のための深層学習技術の統合について検討します。
統合システムは、ノイズやフェージングの影響を受ける無線チャネル上で動作する送信機と受信機で構成されます。
送信機は、ソース コーディング、チャネル コーディング、および変調の共同操作にディープ ニューラル ネットワーク (DNN)、つまりエンコーダを使用します。一方、受信機は、復調、チャネル デコーディング、およびソースの共同操作に別の DNN、つまりデコーダを利用します。
デコードしてデータサンプルを再構築します。
送信された信号は、受信機との通信をサポートし、センシングを可能にするという 2 つの目的を果たします。
ターゲットが存在する場合、反射信号が受信され、別の DNN デコーダがセンシングに利用されます。
このデコーダは、ターゲットの存在を検出し、その範囲を決定する役割を果たします。
1 つのエンコーダーと 2 つのデコーダーを含むこれらすべての DNN は、データとチャネルの特性を考慮したマルチタスク学習を通じて共同トレーニングを受けます。
この論文は、タスク分類器として動作する受信側の別のデコーダである追加の DNN を導入することにより、セマンティック通信を組み込むように拡張されています。
このデコーダは、受信信号のラベル分類の忠実度を評価し、通信プロセス内でのセマンティクスの統合を強化します。
この研究では、入力データとして CIFAR-10 を使用し、加法性白色ガウス ノイズ (AWGN) やレイリー フェージングなどのチャネル効果を考慮した結果を示しています。
この結果は、高忠実度の共同センシングとセマンティック通信の実現におけるマルチタスク深層学習の有効性を強調しています。

要約(オリジナル)

This paper explores the integration of deep learning techniques for joint sensing and communications, with an extension to semantic communications. The integrated system comprises a transmitter and receiver operating over a wireless channel, subject to noise and fading. The transmitter employs a deep neural network (DNN), namely an encoder, for joint operations of source coding, channel coding, and modulation, while the receiver utilizes another DNN, namely a decoder, for joint operations of demodulation, channel decoding, and source decoding to reconstruct the data samples. The transmitted signal serves a dual purpose, supporting communication with the receiver and enabling sensing. When a target is present, the reflected signal is received, and another DNN decoder is utilized for sensing. This decoder is responsible for detecting the target’s presence and determining its range. All these DNNs, including one encoder and two decoders, undergo joint training through multi-task learning, considering data and channel characteristics. This paper extends to incorporate semantic communications by introducing an additional DNN, another decoder at the receiver, operating as a task classifier. This decoder evaluates the fidelity of label classification for received signals, enhancing the integration of semantics within the communication process. The study presents results based on using the CIFAR-10 as the input data and accounting for channel effects like Additive White Gaussian Noise (AWGN) and Rayleigh fading. The results underscore the effectiveness of multi-task deep learning in achieving high-fidelity joint sensing and semantic communications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google