arXiv:2301.00433

Optimization of Image Transmission in a Cooperative Semantic Communication Networks

Wenjing Zhang, Yining Wang, Mingzhe Chen, Tao Luo, Dusit Niyato

제출 2023-01-01

원문 초록

In this paper, a semantic communication framework for image transmission is developed. In the investigated framework, a set of servers cooperatively transmit images to a set of users utilizing semantic communication techniques. To evaluate the performance of studied semantic communication system, a multimodal metric is proposed to measure the correlation between the extracted semantic information and the original image. To meet the ISS requirement of each user, each server must jointly determine the semantic information to be transmitted and the resource blocks (RBs) used for semantic information transmission. We formulate this problem as an optimization problem aiming to minimize each server's transmission latency while reaching the ISS requirement. To solve this problem, a value decomposition based entropy-maximized multi-agent reinforcement learning (RL) is proposed, which enables servers to coordinate for training and execute RB allocation in a distributed manner to approach to a globally optimal performance with less training iterations. Compared to traditional multi-agent RL, the proposed RL improves the valuable action exploration of servers and the probability of finding a globally optimal RB allocation policy based on local observation. Simulation results show that the proposed algorithm can reduce the transmission delay by up to 16.1% compared to traditional multi-agent RL.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.13737v1cs.LG공통 태그 Reinforcement Learning (RL), Multi-agent Reinforcement Learning

SafeDiSTL: 안전한 다중 에이전트 강화학습을 위한 공동 제약조건 분해

SafeDiSTL: Decomposing Joint Constraints for Safe Multi-Agent Reinforcement Learning

협력적 다중 에이전트 태스크는 종종 공유 목표나 집합적 안전성(collective safety)에 대한 제약조건을 부과합니다. 팀 수준의 위반 비용 함수는 이러한 제약조건 결과를 측정할 수 있지만, 어떤 에이전트의 행동이 해당 위반에 가장 큰 영향을 미치는지 구분하지 못합니다. 본 논문에서는 결합 제약조건 측정 하에서도 신용 할당(credit assignment)이 가능한 제약 다중 에이전트 강화학습(MARL) 프레임워크인 SafeDiSTL을 제안합니다. 우리는 신호 시간 논리(Signal Temporal Logic, STL) 강건성을 활용하여 실행 최댓값(running-maximum) 비용 증분을 통해 에피소드 수준의 위반을 측정합니다. 매끄러운 전체 에피소드 강건성과 미분 가능한 동역학은 행동 민감도(action sensitivity)를 제공하며, 이는 동일한 결정 시점에 각 비용 증분을 에이전트 전반에 걸쳐 분배합니다. 이러한 민감도는 각 비용 증분에서 에이전트의 기여도를 가중할 때 지연된 영향을 고려합니다. 우리는 협력적 화물 운송, 연결 항법, 네트워크 트래픽 제어 태스크에서 본 프레임워크를 연구합니다. 제약 baselines과 비교했을 때, SafeDiSTL은 운송 태스크에서 안전 성공률을 1.6~5.1배 달성하고, 항법 안전 성공률을 11.1% 향상시키며, 트래픽 태스크에서 50~68% 더 높은 처리량을 보입니다. 실험 결과는 학습된 정책이 제약 없는 정책의 성능을 유지하면서도 공유 제약조건을 다루는 데 있어 크게 향상되었음을 입증합니다.

arXiv:2606.11249v1cs.RO공통 태그 Multi-agent Reinforcement Learning, Semantic Communication

MASK: 위험 민감 6G 로봇공학을 위한 다중 에이전트 시맨틱 K-스케줄링

MASK: Multi-Agent Semantic K-Scheduling for Risk-Sensitive 6G Robotics

6G 연결형 로봇공학의 비전을 실현하려면 고성능 협업 제어와 물리적 무선 채널의 엄격한 스펙트럼 제한을 조화시켜야 합니다. 현실적인 협업 감지 시나리오에서 스펙트럼 자원은 유한한 물리적 자원 블록이나 직교 부반송파로 양자화되어, 모든 에이전트의 동시 전송을 불가능하게 만듭니다. 이를 해결하기 위해 우리는 엄격한 순간 대역폭 상한 하에서 강건하고 위험 인지 협조를 유지하도록 설계된 제어 아키텍처인 다중 에이전트 시맨틱 K-스케줄링(MASK)을 제안합니다. 우리는 로컬에서 계산된 시맨틱 중요도 점수를 기반으로 상위 K개 에이전트만 스케줄링하여 엄격한 접근 제약을 시행하는 경량화된 협조 메커니즘인 중재자 보조 시맨틱 정보 게이팅(A-SIG)을 도입합니다. 우선순위가 부여된 이러한 관찰들을 압축된 잠재 상태로 집계함으로써, 자기지도 학습 글로벌 인코더는 데이터 희소성(sparsity)에도 불구하고 꼬리 위험을 완화할 수 있는 분포적 정책을 가능하게 합니다. 우리는 다양한 벤치마크에서 MASK를 평가하여, 채널 접근이 군집 크기의 작은 비율로 제한되는 경우에도 통신 제약이 없는 베이스라인의 성능과 일치함을 입증했습니다. 또한, 이 프레임워크는 패킷 소실에 대한 내재적 복원력을 보여주어, 자원 제약이 있는 6G 시스템을 위한 핵심 요소로서 시맨틱 스케줄링의 유효성을 검증합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.