Low-Latency Task-Oriented Communications with Multi-Round, Multi-Task Deep Learning

要約

この論文では、送信側のエンコーダがデータの圧縮された潜在表現を学習し、その後無線チャネル経由で送信する、タスク指向 (または目標指向) の通信について取り上げます。
受信機では、デコーダーが機械学習タスク、特に受信信号を分類するタスクを実行します。
エンコーダーとデコーダーのペアに対応するディープ ニューラル ネットワークは、チャネルとデータの両方の特性を考慮して共同でトレーニングされます。
私たちの目的は、エンコーダーの出力サイズによって決まるチャネルの使用数を最小限に抑えながら、基礎となるタスクを完了する際に高い精度を達成することです。
この目的を達成するために、マルチラウンド送信におけるチャネル使用を動的に更新するためのマルチラウンド、マルチタスク学習 (MRMTL) アプローチを提案します。
送信機は、受信機からのフィードバックに基づいて、チャネル上で符号化されたサンプルの数を増加させて送信します。受信機は、最新の送信だけを考慮するのではなく、前のラウンドからの信号を利用してタスクのパフォーマンスを向上させます。
このアプローチでは、マルチタスク学習を採用して、さまざまな数のチャネル使用にわたって精度を共同で最適化し、各構成を別個のタスクとして扱います。
タスク決定における受信機の信頼性を評価することにより、MRMTL は複数のラウンドで追加のチャネル使用を割り当てるかどうかを決定します。
我々は、MRMTL の精度と遅延 (チャネル使用の合計数) の両方を特徴付け、多数のチャネル使用を必要とする従来の方法に近い精度を達成しながら、前のラウンドからの信号を組み込むことで遅延が減少していることを実証しました。
パフォーマンス評価には、CIFAR-10 データセット、畳み込みニューラル ネットワーク アーキテクチャ、AWGN およびレイリー チャネル モデルを考慮します。
MRMTL がタスク指向の通信の効率を大幅に向上させ、精度と遅延のバランスを効果的に向上させることを示します。

要約(オリジナル)

In this paper, we address task-oriented (or goal-oriented) communications where an encoder at the transmitter learns compressed latent representations of data, which are then transmitted over a wireless channel. At the receiver, a decoder performs a machine learning task, specifically for classifying the received signals. The deep neural networks corresponding to the encoder-decoder pair are jointly trained, taking both channel and data characteristics into account. Our objective is to achieve high accuracy in completing the underlying task while minimizing the number of channel uses determined by the encoder’s output size. To this end, we propose a multi-round, multi-task learning (MRMTL) approach for the dynamic update of channel uses in multi-round transmissions. The transmitter incrementally sends an increasing number of encoded samples over the channel based on the feedback from the receiver, and the receiver utilizes the signals from a previous round to enhance the task performance, rather than only considering the latest transmission. This approach employs multi-task learning to jointly optimize accuracy across varying number of channel uses, treating each configuration as a distinct task. By evaluating the confidence of the receiver in task decisions, MRMTL decides on whether to allocate additional channel uses in multiple rounds. We characterize both the accuracy and the delay (total number of channel uses) of MRMTL, demonstrating that it achieves the accuracy close to that of conventional methods requiring large numbers of channel uses, but with reduced delay by incorporating signals from a prior round. We consider the CIFAR-10 dataset, convolutional neural network architectures, and AWGN and Rayleigh channel models for performance evaluation. We show that MRMTL significantly improves the efficiency of task-oriented communications, balancing accuracy and latency effectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google