Hierarchical Feature Encoding in 6G in-X Subnetworks Using Information Bottleneck
Notice bibliographique
Résumé
In this paper, we investigate task-oriented communication in hierarchical in-X subnetworks, where multiple in-X devices collaboratively perform inference on a shared task by offloading their individual observations. To achieve robust and efficient collaborative inference, we propose a two-stage encoding framework tailored for this setting using information bottleneck (IB) principle. In the first stage, we focus on extracting task-relevant features from each device’s observation while mitigating the impact of channel impairments caused by wireless environment dynamics and inter-cell interference. In the second stage, a feature accumulator at the in-X access point (AP) is trained to effectively integrate features from different devices by reducing redundancy and filtering out common components across partial observations. To address the computational intractability of mutual information in our formulation for the two stages of encoding, we derive tractable variational upper bounds using a variational approximation technique. Extensive experiments on image classification tasks demonstrate that our proposed method achieves significant improvements in collaborative task inference performance and exhibits strong robustness to channel condition variations. Specifically, under challenging channel conditions, our method improves inference accuracy by up to 5%, while reducing the data load offloaded to the edge server by as much as 50%, depending on the defined resemblance index of the observations, in comparison with the baseline method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».