| عنوان مقاله به انگلیسی | Distributed Task-Oriented Communication Networks with Multimodal Semantic Relay and Edge Intelligence |
| عنوان مقاله به فارسی | شبکه های ارتباطی تسک محور با رله معنایی چند حالته و هوش لبه توزیع شده |
| نویسندگان | Jie Guo, Hao Chen, Bin Song, Yuhao Chi, Chau Yuen, Fei Richard Yu, Geoffrey Ye Li, Dusit Niyato |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | In this article, we present a novel framework, named distributed task-oriented communication networks (DTCN), based on recent advances in multimodal semantic transmission and edge intelligence. In DTCN, the multimodal knowledge of semantic relays and the adaptive adjustment capability of edge intelligence can be integrated to improve task performance. Specifically, we propose the key techniques in the framework, such as semantic alignment and complement, a semantic relay scheme for deep joint source-channel relay coding, and collaborative device-server optimization and inference. Furthermore, a multimodal classification task is used as an example to demonstrate the benefits of the proposed DTCN over existing methods. Numerical results validate that DTCN can significantly improve the accuracy of classification tasks, even in harsh communication scenarios (e.g., low signal-to-noise regime), thanks to multimodal semantic relay and edge intelligence. |
| تعداد صفحات | 8 |
| چکیده به فارسی (ترجمه ماشینی) | در این مقاله ، ما یک چارچوب جدید با نام شبکه های ارتباطی توزیع شده وظیفه محور (DTCN) ، بر اساس پیشرفت های اخیر در انتقال معنایی چند حالته و هوش لبه ارائه می دهیم.در DTCN ، دانش چندمادی از رله های معنایی و قابلیت سازگاری سازگار از هوش لبه می تواند برای بهبود عملکرد کار ادغام شود.به طور خاص ، ما تکنیک های کلیدی را در چارچوب ، مانند تراز معنایی و مکمل ، یک طرح رله معنایی برای برنامه نویسی رله کانال عمیق عمیق و بهینه سازی و استنتاج دستگاه مشترک ارائه می دهیم.علاوه بر این ، یک کار طبقه بندی چند حالته به عنوان نمونه ای برای نشان دادن مزایای DTCN پیشنهادی نسبت به روشهای موجود استفاده می شود.نتایج عددی تأیید می کند که DTCN می تواند دقت وظایف طبقه بندی را به طور قابل توجهی بهبود بخشد ، حتی در سناریوهای ارتباطی سخت (به عنوان مثال ، رژیم کم سیگنال به نویز) ، به لطف رله معنایی چندمودالی و هوش لبه. |
| دسته بندی موضوعات | Signal Processing,پردازش سیگنال، |
| توضیحات | Submitted 18 January, 2024; originally announced January 2024. , Comments: 7 pages, 5 figures, 1 table |
| توضیحات به فارسی | ارائه شده در 18 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد ، نظرات: 7 صفحه ، 5 شکل ، 1 جدول |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|