مقاله ارتباطات معنایی مبتنی بر استخراج دانش برای چندین کاربر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Knowledge Distillation Based Semantic Communications For Multiple Users
عنوان مقاله به فارسی مقاله ارتباطات معنایی مبتنی بر استخراج دانش برای چندین کاربر
نویسندگان Chenguang Liu, Yuxin Zhou, Yunfei Chen, Shuang-Hua Yang
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 0
دسته بندی موضوعات Signal Processing,Machine Learning,پردازش سیگنال , یادگیری ماشین ,
توضیحات Submitted 22 November, 2023; originally announced November 2023. , Comments: Accepted by IEEE Transactions on Wireless Communications
توضیحات به فارسی ارسال شده 22 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد ، نظرات: پذیرفته شده توسط معاملات IEEE در ارتباطات بی سیم

چکیده

Deep learning (DL) has shown great potential in revolutionizing the traditional communications system. Many applications in communications have adopted DL techniques due to their powerful representation ability. However, the learning-based methods can be dependent on the training dataset and perform worse on unseen interference due to limited model generalizability and complexity. In this paper, we consider the semantic communication (SemCom) system with multiple users, where there is a limited number of training samples and unexpected interference. To improve the model generalization ability and reduce the model size, we propose a knowledge distillation (KD) based system where Transformer based encoder-decoder is implemented as the semantic encoder-decoder and fully connected neural networks are implemented as the channel encoder-decoder. Specifically, four types of knowledge transfer and model compression are analyzed. Important system and model parameters are considered, including the level of noise and interference, the number of interfering users and the size of the encoder and decoder. Numerical results demonstrate that KD significantly improves the robustness and the generalization ability when applied to unexpected interference, and it reduces the performance loss when compressing the model size.

چکیده به فارسی (ترجمه ماشینی)

Deep Learning (DL) پتانسیل بزرگی را در انقلابی در سیستم ارتباطات سنتی نشان داده است.بسیاری از برنامه های کاربردی در ارتباطات به دلیل توانایی نمایش قدرتمند آنها ، تکنیک های DL را اتخاذ کرده اند.با این حال ، روشهای مبتنی بر یادگیری می توانند به مجموعه داده های آموزش وابسته باشند و به دلیل تعمیم پذیری مدل محدود و پیچیدگی ، از تداخل غیب بدتر عمل کنند.در این مقاله ، ما سیستم ارتباط معنایی (SEMCOM) را با چندین کاربر در نظر می گیریم ، جایی که تعداد محدودی از نمونه های آموزش و تداخل غیر منتظره وجود دارد.برای بهبود توانایی کلی سازی مدل و کاهش اندازه مدل ، ما یک سیستم مبتنی بر دانش (KD) را پیشنهاد می کنیم که در آن رمزگذار رمزگذار مبتنی بر ترانسفورماتور به عنوان رمزگذار رمزگذار معنایی و شبکه های عصبی کاملاً متصل به عنوان رمزگذار کانال اجرا می شود.به طور خاص ، چهار نوع انتقال دانش و فشرده سازی مدل مورد تجزیه و تحلیل قرار می گیرد.پارامترهای مهم سیستم و مدل در نظر گرفته شده است ، از جمله سطح نویز و تداخل ، تعداد کاربران تداخل و اندازه رمزگذار و رمزگشایی.نتایج عددی نشان می دهد که KD به طور قابل توجهی استحکام و توانایی تعمیم را در هنگام تداخل غیر منتظره بهبود می بخشد و هنگام فشرده سازی اندازه مدل باعث کاهش عملکرد می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.