Aligning Task- and Reconstruction-Oriented Communications for Edge Intelligence

要約

既存の通信システムは、レシーバー側の情報を再構築することを目的としており、再構築指向の通信として知られています。
このアプローチは、自律運転やセマンティックセグメンテーションなどの最新のAI主導のアプリケーションのリアルタイムでタスク固有の要求を満たす際に不足していることがよくあります。
新しい設計の原則として、タスク指向の通信が開発されました。
ただし、通常、エンコーダー、デコーダー、および変更された推論ニューラルネットワークの共同最適化が必要であり、その結果、広範なクロスシステムの再設計と互換性の問題が発生します。
このペーパーでは、エッジインテリジェンスのための再構築指向のタスク指向のコミュニケーションを調整する新しいコミュニケーションフレームワークを提案します。
アイデアは、情報再シェイパーによって元のデータの構造を維持しながら、タスク関連の損失関数を最小限に抑えてデータ送信を最適化するために、情報ボトルネック（IB）理論を拡張することです。
このようなアプローチは、タスク指向の通信を再構築指向の通信と統合します。ここでは、高次元ニューラルネットワーク機能における相互情報の操作性を処理するように変動アプローチが設計されています。
また、既存のデジタルインフラストラクチャ内のAIテクノロジーの展開を可能にする、古典的な変調技術と互換性のあるジョイントソースチャネルコーディング（JSCC）変調スキームを導入します。
提案されたフレームワークは、エッジベースの自律運転シナリオで特に効果的です。
自動車学習の行動（CARLA）シミュレーターは、提案されたフレームワークが、タスク実行の有効性を損なうことなく、JPEG、JPEG2000、BPGなどの既存の方法と比較して、サービスあたりのビットを99.19％削減することを示しています。

要約(オリジナル)

Existing communication systems aim to reconstruct the information at the receiver side, and are known as reconstruction-oriented communications. This approach often falls short in meeting the real-time, task-specific demands of modern AI-driven applications such as autonomous driving and semantic segmentation. As a new design principle, task-oriented communications have been developed. However, it typically requires joint optimization of encoder, decoder, and modified inference neural networks, resulting in extensive cross-system redesigns and compatibility issues. This paper proposes a novel communication framework that aligns reconstruction-oriented and task-oriented communications for edge intelligence. The idea is to extend the Information Bottleneck (IB) theory to optimize data transmission by minimizing task-relevant loss function, while maintaining the structure of the original data by an information reshaper. Such an approach integrates task-oriented communications with reconstruction-oriented communications, where a variational approach is designed to handle the intractability of mutual information in high-dimensional neural network features. We also introduce a joint source-channel coding (JSCC) modulation scheme compatible with classical modulation techniques, enabling the deployment of AI technologies within existing digital infrastructures. The proposed framework is particularly effective in edge-based autonomous driving scenarios. Our evaluation in the Car Learning to Act (CARLA) simulator demonstrates that the proposed framework significantly reduces bits per service by 99.19% compared to existing methods, such as JPEG, JPEG2000, and BPG, without compromising the effectiveness of task execution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google