[論文レビュー] 6G Networks: Beyond Shannon Towards Semantic and Goal-Oriented Communications

Emilio Calvanese Strinati, Sergio Barbarossa|arXiv (Cornell University)|Nov 4, 2020

Wireless Signal Modulation Classification被引用数 6

ひとこと要約

本論文は、シャノンの伝統的なビット信頼性モデルから、意味的・目的志向の通信へ6Gネットワークのパラダイム転換を提案する。このモデルでは、知識を活用する機械学習を用いて、意味的に関連する情報のみを送信する。意味、推論、目的を統合することで、帯域幅やエネルギーの増加なしに、効率性、持続可能性、レジリエンスを向上させ、より知的で文脈に配慮した通信を実現する。

ABSTRACT

The goal of this paper is to promote the idea that including semantic and goal-oriented aspects in future 6G networks can produce a significant leap forward in terms of system effectiveness and sustainability. Semantic communication goes beyond the common Shannon paradigm of guaranteeing the correct reception of each single transmitted packet, irrespective of the meaning conveyed by the packet. The idea is that, whenever communication occurs to convey meaning or to accomplish a goal, what really matters is the impact that the correct reception/interpretation of a packet is going to have on the goal accomplishment. Focusing on semantic and goal-oriented aspects, and possibly combining them, helps to identify the relevant information, i.e. the information strictly necessary to recover the meaning intended by the transmitter or to accomplish a goal. Combining knowledge representation and reasoning tools with machine learning algorithms paves the way to build semantic learning strategies enabling current machine learning algorithms to achieve better interpretation capabilities and contrast adversarial attacks. 6G semantic networks can bring semantic learning mechanisms at the edge of the network and, at the same time, semantic learning can help 6G networks to improve their efficiency and sustainability.

研究の動機と目的

• 無線ネットワークにおける資源の枯渇を克服するため、シャノンのビット中心のモデルを越えること。
• 6Gの中心的設計原則として、意味的・目的志向の通信を導入し、システムの効果性と持続可能性を向上させること。
• 表面的な相関に依存する現在のディープラーニングモデルの限界を克服すること。
• 共有された知識ベースと文脈に配慮した推論を用いて、ネットワークノードが送信情報について推論できるようにすること。
• 通信効率をビット誤り率ではなく、意味的インパクトと目的達成度によって測定するフレームワークを構築すること。

提案手法

• ネットワークノードに知識表現と推論（KRR）システムを統合し、送信データの意味的解釈と文脈化を可能にする。
• 機械学習と演繹的推論を組み合わせ、完全に帰納的学習からハイブリッドな帰納的・演繹的学習戦略へ移行する。
• 言語論理を組み込んだ意味的オートエンコーダーを用いて、意味的に関連する情報のみを圧縮・送信する。
• ネットワークエッジ間での転移学習と知識共有を実装し、モデルの汎化能力を向上させ、冗長性を低減する。
• 事前に定義された目的や意図された意味に応じて、情報の優先順位を付ける通信プロトコルを設計する。
• マルチアクセスエッジコンピューティング（MEC）を活用して、ネットワークエッジに意味的学習を展開し、低遅延で文脈に配慮した処理を実現する。

実験結果

リサーチクエスチョン

• RQ1 6Gネットワークは、生のビット伝送ではなく意味的意味に焦点を当てることで、どのようにしてより高い効率性と持続可能性を達成できるか？
• RQ2 知識表現と推論は、通信システムにおける機械学習モデルの頑健性と解釈可能性を高めるために、どのような役割を果たすか？
• RQ3 目的志向の通信は、従来のアプローチと比較して、過剰なスペクトラムやエネルギー資源の必要性をどのように低減できるか？
• RQ4 意味的学習メカニズムは、分散型6Gネットワークアーキテクチャにどのように統合され、意思決定を向上させ、データオーバーヘッドを削減できるか？
• RQ5 将来の無線ネットワークにおける文脈に配慮した、意味に基づく通信を実現するためのアーキテクチャ的・アルゴリズム的要件は何か？

主な発見

• 意味的・目的志向の通信により、意図された意味や目的に関連する情報のみに焦点を当てることで、送信されるデータ量を顕著に削減できる。
• 知識表現を機械学習と統合することで、システムが文脈について推論できるようになり、破綻しにくくなり、敵対的攻撃に対しても耐性が高まる。
• 提案されたフレームワークにより、意味的に意味のあるデータのみを送信・処理することで、ネットワークリソースのより効率的な利用が可能になり、持続可能性が向上する。
• 人間の認知にインspiredされたハイブリッドな帰納的・演繹的学習戦略は、完全にデータ駆動型のアプローチよりも、より信頼性が高く汎化性の高いモデルをもたらす。
• ネットワークエッジにおける分散型意味的学習により、低遅延で文脈に配慮した意思決定が可能になり、自動運転や産業用IoTなどのリアルタイム応用にとって不可欠となる。
• シャノンの技術的問題から、通信の効果性の問題（すなわち、目的達成に与える通信のインパクト）へのパラダイム転換により、エラーのない伝送を越えた通信ネットワークの成功の定義が再考される。