基于多任务深度学习的多接收端任务导向通信
网络与互联网体系结构
2023-08-15 v1 信息论
机器学习
信号处理
math.IT
摘要
本文研究任务导向（亦称目标导向）通信，场景为一个发射机与多个接收机通信，每个接收机在发射机可用的数据集（如图像）上完成各自的任务。本文提出一种多任务深度学习方法，在发射机训练一个公共编码器并在各接收机训练独立解码器，以联合优化多任务完成与多接收机通信。通过在 6G 网络边缘提供高效的资源分配，所提方法使通信系统能够适应变化的信道条件，并在最小化传输开销的同时实现特定任务目标。利用多任务学习对编码器与解码器进行联合训练，可捕获跨任务的共享信息并相应地优化通信过程。通过利用无线通信的广播特性，多接收端任务导向通信（MTOC）减少了在不同接收机完成任务所需的传输次数。在 MNIST、Fashion MNIST 和 CIFAR-10 数据集（不同任务考虑图像分类）上的性能评估表明，与单任务导向通信系统相比，MTOC 在分类准确率和资源利用率方面均有效。
引用
@article{arxiv.2308.06884,
title = {Multi-Receiver Task-Oriented Communications via Multi-Task Deep Learning},
author = {Yalin E. Sagduyu and Tugba Erpek and Aylin Yener and Sennur Ulukus},
journal= {arXiv preprint arXiv:2308.06884},
year = {2023}
}