一种基于任务导向机器学习视角的语义损失建模框架
机器学习
2025-03-14 v1 最优化与控制
摘要
机器学习(ML)的集成显著增强了地球观测(EO)系统的能力，使其能够从复杂数据集中提取可操作性见解。然而，数据驱动的 EO 应用性能严重受到数据收集和传输过程的影响，其中受限的卫星带宽和延迟约束可能阻碍原始数据完整传输给接收方。为此，采用语义通信(SC)的概念为解决这一问题提供了前景，通过优先传输关键数据语义而非原始信息来实现。为在 EO 系统中实现 SC，需要深入了解数据处理和通信信道条件对处理中心语义损失的影响。本文提出了一种新颖的数据拟合框架，用于使用真实世界的 EO 数据集和领域特定见解来经验性地建模语义损失。该框架量化了两种主要的语义损失类型：(1)源编码损失，通过衡量处理对原始源数据影响的数据质量指标进行评估；(2)传输损失，通过将实际传输性能与香浦极限进行比较来进行评估。通过在各种信道条件和压缩比下的有损图像数据集上，使用四个任务导向 ML 模型(EfficientViT、MobileViT、ResNet50-DINO 和 ResNet8-KD)评估 EO 应用的准确性来估计语义损失。这些结果为在带宽受限的 EO 场景中高效的语义损失建模提供了框架，使操作更可靠、更有效。
引用
@article{arxiv.2503.09903,
title = {A Semantic-Loss Function Modeling Framework With Task-Oriented Machine Learning Perspectives},
author = {Ti Ti Nguyen and Thanh-Dung Le and Vu Nguyen Ha and Hong-fu Chou and Geoffrey Eappen and Duc-Dung Tran and Hung Nguyen-Kha and Prabhu Thiruvasagam and Luis M. Garces-Socarras and Jorge L. Gonzalez-Rios and Juan C. Merlano-Duncan and Symeon Chatzinotas},
journal= {arXiv preprint arXiv:2503.09903},
year = {2025}
}
备注
6 pages, 11 figures