基于多轮多任务深度学习的低延迟面向任务通信
机器学习
2024-11-18 v1 人工智能
分布式、并行与集群计算
信息论
网络与互联网体系结构
信号处理
math.IT
摘要
本文研究面向任务（或目标导向）通信，发射端编码器学习数据的压缩潜在表示，经无线信道传输。接收端解码器执行机器学习任务，具体为对接收信号进行分类。编码器-解码器对应的深度神经网络联合训练，同时考虑信道和数据特性。我们的目标是在最小化由编码器输出大小决定的信道使用次数的前提下，实现底层任务的高准确性。为此，我们提出一种多轮多任务学习 (MRMTL) 方法，用于多轮传输中信道使用次数的动态更新。发射端根据接收端反馈逐步发送越来越多的编码样本，接收端利用前一轮信号提升任务性能，而非仅考虑最新传输。该方法采用多任务学习联合优化不同信道使用次数下的准确性，将每种配置视为一个独立任务。通过评估接收端对任务决策的置信度，MRMTL 决定是否在多轮中分配额外信道使用次数。我们表征了 MRMTL 的准确性和延迟（总信道使用次数），表明其在准确性接近需大量信道使用次数的传统方法的同时，通过融合前一轮信号降低了延迟。我们采用 CIFAR-10 数据集、卷积神经网络架构、AWGN 和瑞利信道模型进行性能评估。结果显示 MRMTL 显著提高了面向任务通信的效率，有效平衡了准确性和延迟。
引用
@article{arxiv.2411.10385,
title = {Low-Latency Task-Oriented Communications with Multi-Round, Multi-Task Deep Learning},
author = {Yalin E. Sagduyu and Tugba Erpek and Aylin Yener and Sennur Ulukus},
journal= {arXiv preprint arXiv:2411.10385},
year = {2024}
}