Semantic Learning for Molecular Communication in Internet of Bio-Nano Things

要約

Molecular Communication（MC）は、効率と信頼性が非常に重要であるBio-Nano Minterno Things（IOBNT）の情報伝送の基礎フレームワークを提供します。
ただし、低透過速度、ノイズ、シンボル間干渉（ISI）などの分子チャネルの固有の制限により、複雑なデータ伝送をサポートする能力が制限されます。
このペーパーでは、リソースに制約のある条件下で生物医学的診断タスクに焦点を当てたタスク指向の分子コミュニケーションを最適化するように設計されたエンドツーエンドのセマンティック学習フレームワークを提案します。
提案されたフレームワークは、深いエンコーダデコーダーアーキテクチャを採用して、セマンティック機能を効率的に抽出、量子化、およびデコードし、診断分類パフォーマンスを強化するためにタスクリレーションのセマンティック情報に優先順位を付けます。
さらに、確率的チャネルネットワークが近似分子伝播ダイナミクスに導入され、エンドツーエンド学習の勾配ベースの最適化が可能になります。
実験結果は、提案されたセマンティックフレームワークが、リソース制約のある通信シナリオでLDPCコーディング方法を使用した従来のJPEG圧縮と比較して、診断精度を少なくとも25％改善することを示しています。

要約(オリジナル)

Molecular communication (MC) provides a foundational framework for information transmission in the Internet of Bio-Nano Things (IoBNT), where efficiency and reliability are crucial. However, the inherent limitations of molecular channels, such as low transmission rates, noise, and intersymbol interference (ISI), limit their ability to support complex data transmission. This paper proposes an end-to-end semantic learning framework designed to optimize task-oriented molecular communication, with a focus on biomedical diagnostic tasks under resource-constrained conditions. The proposed framework employs a deep encoder-decoder architecture to efficiently extract, quantize, and decode semantic features, prioritizing taskrelevant semantic information to enhance diagnostic classification performance. Additionally, a probabilistic channel network is introduced to approximate molecular propagation dynamics, enabling gradient-based optimization for end-to-end learning. Experimental results demonstrate that the proposed semantic framework improves diagnostic accuracy by at least 25% compared to conventional JPEG compression with LDPC coding methods under resource-constrained communication scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google