.png){kind=icon}
返回
Task-Oriented Communication for Graph Data: A Graph Information Bottleneck Approach
.png){kind=icon}
PRE
AI
DOI：10.1109/TCCN.2024.3465651.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图数据，在知识表示和社会网络等领域至关重要，通常涉及具有大量节点和边的庞大网络。由于图数据规模庞大且在某些任务中存在冗余，传输这些图数据效率极低。本文提出了一种方法，用于提取一个更小、面向任务的子图，在保留关键信息的同时减少通信开销。我们的方法利用图神经网络（GNN）和图信息瓶颈（GIB）原理，创建适合传输的紧凑、信息丰富且鲁棒的图表示。挑战在于图数据的不规则结构，导致GIB优化复杂。我们通过推导目标函数的一个可计算变分上界来应对这一挑战。此外，我们提出了VQ-GIB机制，通过引入向量量化（VQ）将子图表示转换为离散码本序列，以兼容现有的数字通信系统。实验结果表明，基于GIB的方法能在显著降低通信成本的同时保留任务相关的关键信息。该方法在各类通信信道中表现出鲁棒性能，适用于连续和离散系统。
Keyword:
Task-oriented communication
graph neural network
graph information bottleneck
vector quantization
期刊
I
IF:
7
论文数:
1.6K
被引数:
5.5K
机构
引用论文
.png){kind=icon}
Beyond Transmitting Bits: Context, Semantics, and Task-Oriented Communications超越传输位: 上下文，语义和面向任务的通信
OAAI
OAAI分享收藏Specifying architecture of knowledge graph with data graph, information graph, knowledge graph and wisdom graph使用数据图、信息图、知识图和智慧图来指定知识图谱的架构
PREAI
分享收藏
查看更多内容