Description
Date depot: 16 novembre 2023
Titre: Multimodal Generative Learning for Semantic Information Handling in Future Intelligent Networks
Directeur de thèse:
Marios KOUNTOURIS (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé: Communication systems to date have primarily focused on reliably communicating bit sequences. This approach has resulted in efficient engineering designs, which are agnostic to the meaning and effectiveness of the messages or to the specific goal of the data exchange. Nevertheless, in emerging networked intelligent systems, acquiring, processing, and sending excessive amounts of distributed, heterogeneous data, which ends up being stale, redundant or useless to the end user, will cause network bottlenecks, energy wastage, and safety issues. In this thesis, we envision a novel communication paradigm shift, which makes the goal-oriented, context-dependent significance (semantics) of information, the underpinning of the entire communication process. This entails a goal-oriented unification of data generation/processing, transmission, and usage, by considering process dynamics, data inter-dependencies, and semantic information attributes. This thesis will lay the foundations of multimodal deep generative learning for semantic information representation, compression, and reconstruction. It will radically transform our fundamental understanding of what, when and how to handle information, as well as of its actual significance.
Résumé dans une autre langue: Jusqu'à présent, les systèmes de communication se sont principalement concentrés sur la communication fiable de séquences de bits. Cette approche a abouti à des conceptions techniques efficaces, indépendantes de la signification et de l'efficacité des messages ou de l'objectif spécifique de l'échange de données. Néanmoins, dans les systèmes intelligents en réseau émergents, l'acquisition, le traitement et l'envoi de quantités excessives de données distribuées et hétérogènes, qui finissent par être périmées, redondantes ou inutiles pour l'utilisateur final, entraîneront des goulots d'étranglement du réseau, un gaspillage d'énergie et des problèmes de sécurité. Dans cette thèse, nous envisageons un nouveau changement de paradigme de communication, qui fait de l’importance/signification (sémantique) de l’information orientée vers un objectif et dépendante du contexte, le fondement de l’ensemble du processus de communication. Cela implique une unification ciblée de la génération/traitement, de la transmission et de l’utilisation des données, en tenant compte de la dynamique des processus, des interdépendances des données et des attributs des informations sémantiques. Cette thèse posera les bases de l'apprentissage génératif profond multimodal pour la représentation, la compression et la reconstruction de l'information sémantique. Cela transformera radicalement notre compréhension fondamentale de quoi, quand et comment traiter l’information, ainsi que de sa signification réelle.
Doctorant.e: Jamoussi Nour