Since Shannon's pioneering masterpiece which established the prototype of modern information theory, the goal of communications has long been promising accurate message reconstruction at a refined bit-by-bit level, which deliberately neglects the semantics/effectiveness aspect of information. Nevertheless, the recent development of wireless technologies and the spurt of deep learning (DL) techniques allow us to reclaim the meaning/usefulness aspect in the design of future 6G communication paradigms, where goal-oriented communication is becoming a trend. Age of Information (AoI), a well-known metric that captures the importance of information by recording the time elapsed from the generation time slot, has been extended to various variants, such as Value of Information (VoI), Urgency of Information (UoI), Age of Incorrect Information (AoII), and etc. While each of them proposes novel ways to measure the meaning/usefulness aspect of information, there is not yet an integrated framework encompassing all of them. To this end, we propose a novel tensor-based approach, the Goal-oriented Tensor (GoT), to unify them, which also allows more flexible and fine-grained goal characterizations. Following the proposed GoT, we architect a holistic goal-oriented framework to enable goal-oriented semantic communications, in which information perception, dissemination, and control-plane decisions are implemented in accordance with specific goals. Finally, we outline several open challenges to fulfill the vision of the GoT framework.


翻译:自从Shannon开创了现代信息论的典范以来,通信的目标一直是在一个精细的比特层面上实现准确的消息重建,其有意忽略了信息的语义/有效性方面。然而,近期无线技术和深度学习(DL)技术的发展使得我们能够在未来6G通信范式的设计中重新夺回意义/有用性方面,并且目标导向通信正在成为一种趋势。信息时代(AoI),一种广为人知的度量标准,通过记录自生成时间隙到现在经过的时间来捕获信息的重要性。AoI已经扩展到许多变体,例如信息价值(VoI)、信息紧急程度(UoI)、错误信息时代(AoⅡ)等。虽然每种度量方法提出了衡量信息意义/有用性的新方法,但尚未形成一个包含所有方法的集成框架。为此,我们提出了一种新的基于张量的方法,即目标导向张量(GoT),以统一它们,这也允许更灵活和细粒度的目标刻画。根据GoT,我们构建了一个全面的目标导向框架,以实现目标导向的语义通信,在该框架中,信息感知、传播和控制平面决策都与特定目标一致。最后,我们概述了几个未来研究方向,以实现GoT框架的愿景。

0
下载
关闭预览

相关内容

[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
GNN 新基准!Long Range Graph Benchmark
图与推荐
0+阅读 · 2022年10月18日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
13+阅读 · 2022年8月16日
Arxiv
25+阅读 · 2022年1月3日
Arxiv
49+阅读 · 2021年9月11日
VIP会员
相关VIP内容
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关基金
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员