Description
Date depot: 7 mars 2023
Titre: Modèles d'Apprentissage pour la Communication Sémantique Orientée vers un But
Directeur de thèse:
Marios KOUNTOURIS (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé: Les systèmes de communication ont été conçus et optimisés pour l'objectif principal de conception consistant à transmettre de manière fiable des bits sur des canaux de communication bruités. Bien que cette approche ait connu un énorme succès dans les systèmes où la communication (par exemple, voix ou données) est l'objectif principal, de nombreuses applications émergentes (conduite autonome, e-santé, robotique) impliqueront des systèmes cyber-physiques qui intègrent le traitement/calcul et la communication aux processus physiques. Dans ces applications, l'objectif de la communication n'est souvent pas de reconstruire le message sous-jacent exactement comme dans les réseaux de communication conventionnels, mais de permettre à la destination de faire la bonne inférence ou de prendre la bonne décision et la bonne action au bon moment et dans le bon contexte. Cela motive le développement de systèmes de communication "sémantiques" et "orientés vers des objectifs". Les progrès récents de l'intelligence artificielle et de leurs applications ont stimulé l'intérêt et le potentiel des communications sémantiques orientées vers des objectifs, en particulier dans le contexte des futurs systèmes de communication sans fil, tels que la 6G.
Dans cette thèse, nous explorerons le potentiel des modèles d'apprentissage automatique dans les communications sémantiques. Le premier axe de recherche s'inspire du cadre théorique débit-distorsion-qualité de reconstruction, dans lequel l'efficacité de la reconstruction est attribuée à l'aide d'un indicateur de qualité sémantique, basé sur des mesures de divergence (par exemple, Kantorovich-Wasserstein, alpha ou f-divergence). La deuxième direction sera l'étude de l'apprentissage automatique géométrique et des réseaux de neurones de graphes afin d'intégrer les graphes de connaissances, contexte, et représentation, ainsi que pour modéliser l'information commune dans les problèmes multi-sources. Une troisième direction sera l'utilisation de techniques d'adaptation de domaine et de outils issus de l'apprentissage variétés pour les communications sémantiques multi-agents.
Résumé dans une autre langue: Communication systems have been designed and optimized with the primary design goal of reliably transmitting bits over noisy communication channels. Although this approach has been tremendously successful in systems where communication (e.g. voice or data) is the primary goal, many emerging applications (autonomous driving, e-health, robotics) will involve cyber-physical systems that integrate processing/computation and communication with physical processes. In these applications, the goal of communication is often not to reconstruct the underlying message exactly as in conventional communication networks, but to allow the destination to make the right inference or decision and right action at the right time and in the right context. This motivates the development of “semantic” and “goal-oriented” communication systems. Recent advances in artificial intelligence and their applications have boosted the interest and potential of goal-oriented semantic communications, especially in the context of future wireless communication systems, such as 6G.
In this thesis, we will explore the potential of machine learning models in semantic communications. The first line of research is inspired by the theoretical framework rate-distortion-quality of reconstruction, in which the effectiveness of the reconstruction is attributed using a semantic quality indicator, based on measures of divergence (for example, Kantorovich-Wasserstein, alpha or f-divergence). The second direction will be the study of geometric machine learning and graph neural networks in order to integrate knowledge, context, and representation graphs, as well as to model common information in multi-source problems. A third direction will be the use of domain adaptation techniques and tools from variety learning for multi-agent semantic communications.
Doctorant.e: Sourchap Ali