Joint Semantic-Native Communication and Inference via Minimal Simplicial Structures

要約

この研究では、学生エージェント (つまり、モバイル デバイス) が教師エージェント (つまり、クラウド サーバー) にクエリを実行して、単純な複合体に存在する高次のデータ セマンティクスを生成する、意味論的な通信と推論の問題を研究します。
具体的には、教師はまずデータを k 次の単純複素数にマッピングし、その高次の相関を学習します。
効果的なコミュニケーションと推論のために、教師は情報を伝える前に、最低限十分で不変の意味構造を探します。
これらの最小の単純構造は、推論クエリの精度を損なうことなく、ホッジ ラプラシアンによって選択された単純を慎重に削除することによって見つかります。
その後、生徒は、ローカルとリモートの両方の教師の知識を活用して、マスクされた単純畳み込みオートエンコーダー (SCAE) に基づいて独自のクエリ セットをローカルで実行します。
数値結果は、さまざまなチャネル条件および単純な構造の下で推論クエリの精度を向上させるという点で、提案されたアプローチの有効性を裏付けています。
共著データセットの実験では、ラプラシアン値をランク付けしてシンプライスを削除すると、精度を犠牲にすることなくペイロード サイズが 85% 削減されることが示されています。
マスクされた SCAE による共同セマンティック通信と推論により、クエリの精度がローカルの生徒ベースのクエリと比較して 25%、リモートの教師ベースのクエリと比較して 15% 向上します。
最後に、チャネル セマンティクスを組み込むと、特に低い SNR 値で推論精度が効果的に向上することが示されています。

要約(オリジナル)

In this work, we study the problem of semantic communication and inference, in which a student agent (i.e. mobile device) queries a teacher agent (i.e. cloud sever) to generate higher-order data semantics living in a simplicial complex. Specifically, the teacher first maps its data into a k-order simplicial complex and learns its high-order correlations. For effective communication and inference, the teacher seeks minimally sufficient and invariant semantic structures prior to conveying information. These minimal simplicial structures are found via judiciously removing simplices selected by the Hodge Laplacians without compromising the inference query accuracy. Subsequently, the student locally runs its own set of queries based on a masked simplicial convolutional autoencoder (SCAE) leveraging both local and remote teacher’s knowledge. Numerical results corroborate the effectiveness of the proposed approach in terms of improving inference query accuracy under different channel conditions and simplicial structures. Experiments on a coauthorship dataset show that removing simplices by ranking the Laplacian values yields a 85% reduction in payload size without sacrificing accuracy. Joint semantic communication and inference by masked SCAE improves query accuracy by 25% compared to local student based query and 15% compared to remote teacher based query. Finally, incorporating channel semantics is shown to effectively improve inference accuracy, notably at low SNR values.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google