Mar, 2024

GeNet: 基于图神经网络的抗噪任务导向语义通信范式

PDF
TL;DR提出了一种基于图神经网络的语义通信范式 GeNet，旨在抵抗噪声，从而促进面向任务的通信（TOC）。通过将输入数据图像转换为图结构，利用基于 GNN 的编码器从源数据中提取语义信息，然后通过信道传输。接收端利用基于 GNN 的解码器从源数据中重构相关的语义信息以实现 TOC。通过实验评估表明，GeNet 在抗噪声的 TOC 中具有有效性，并解耦了 SNR 的依赖性。通过改变节点数量进一步评估了 GeNet 的性能，展示了其作为语义通信的新范式的多用途性。此外，通过在不依赖数据增强的情况下测试具有不同旋转角度的几何变换，证明了 GeNet 的鲁棒性。
semantic communicationgraph neural networktask-oriented communicationanti-noisegenet
发现论文，激发创造
  • 基于图去噪的鲁棒图神经网络

    这篇研究提出一种鲁棒的图神经网络实现方法，明确考虑了观察拓扑中的扰动，通过优化可学习参数和真实图形来解决非可微且受限制的优化问题，适用于各种类型的图形，并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。

    Dec, 2023

  • GINet: 场景解析的图交互网络

    本文提出了图交互单元和语义上下文损失的方法，将语言学知识引入视觉图，增强上下文推断和刻画高层语义，最终在场景解析等任务上取得了优越的表现。

    Sep, 2020

  • 通过拓扑去噪实现鲁棒图神经网络的学习降维

    本文提出了一种基于参数化拓扑去噪网络的 GNN 模型（PTDNet），可以通过学习去除任务无关的边来提高 GNN 模型的稳健性和泛化性能，并在各种任务中（如节点分类和链接预测）均有显著的性能提升，特别是在噪声数据集上性能提升更为明显。

    Nov, 2020

  • 语言和图神经网络模型的高效有效训练

    本文提出了一种有效的框架，称为语言模型图神经网络 (LM-GNN)，通过分阶段的 BERT 模型微调来结合异构图结构与文本，以便在多项监督学习任务中实现节点和边分类以及链接预测，并在不同的数据集上评估了这个框架且在一个亚马逊搜索 - 购买 - 产品的应用中提供了有竞争力的结果。

    Jun, 2022

  • 6G 是否将成为语义通信？来自任务导向和安全通信到集成感知的机遇和挑战

    通过多任务学习，本文探讨了以目标为导向和语义为基础的通信在下一代通信网络中的机遇和挑战。该方法使用深度神经网络，将专用的编码器部署在发送端，将多个任务特定的解码器共同部署在接收端，集中训练以处理包括语义信息保留、源输入重构和集成感知和通信在内的各种任务。通过将解码器部署在多个接收器上，采用去中心化学习，解决了通信负载和隐私问题，利用联邦学习技术在分布式节点之间分发模型更新。然而，该方法的有效性取决于所采用的深度学习模型的鲁棒性。我们审查了在训练和测试阶段可能产生的对抗性攻击的潜在漏洞，这些攻击旨在操纵编码器端的输入以及接收端空中接收到的信号，凸显了加固语义通信以防范潜在的多领域攻击的重要性。总体而言，在多任务学习框架中，任务导向通信、语义通信和集成感知与通信的共同鲁棒设计成为下一代网络系统中实现上下文感知、资源高效和安全通信的关键因素。

    Jan, 2024

  • GTNet：基于树的深度图神经网络架构

    提出了一个图树网络（GTNets）的深度图学习架构，并提出了两个图学习模型（GTAN 和 GTCN），在几个流行的基准数据集上实验证明了其良好的性能。

    Apr, 2022

  • 张量视图拓扑图神经网络

    图分类是一项重要的图结构数据学习任务，我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN)，利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法，能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中，TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。

    Jan, 2024

  • 用于实时语义分割网络搜索的局部到全局信息通信

    本文提出了一种名为 LGCNet 的神经架构搜索框架，该框架采用新的搜索空间来有效地搜索轻量级模型，并通过引入 GCN 引导模块实现局部信息交换和提出新型的密集连接融合模块来实现全局信息聚合，同时还引入了基于时延的约束来平衡准确性和速度。大量实验证明，LGCNet 在 Cityscapes 和 CamVid 数据集上取得了最新的最先进的准确性和速度的平衡。

    Feb, 2023

  • 一个语义分层图神经网络用于文本分类

    本文研究了基于图神经网络的文本分类任务，提出了一种新的分层图神经网络模型（HieGNN），其在词级别、句子级别和文档级别分别提取相应的信息。实验结果表明与几个基准方法相比，我们的模型能够从样本中获得更多有用的分类信息。

    Sep, 2022

  • GTC：GNN-Transformer 自监督异构图表示的共同对比学习

    提出了一种结合 GNN 和 Transformer 的新框架，利用 GNN 的局部信息汇聚和 Transformer 的全局信息建模能力解决过度平滑问题，构建了 GTC 体系结构，通过对跨视图信息进行自我监督的对比学习任务实现异构图形表示学习。

    Mar, 2024