フィードバック型分子通信におけるフィードバックに基づく継続学習

arXiv cs.LG / 2026/5/5

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、フィードバック型分子通信のために、連続学習（CL）を用いた性能推定手法を提案し、逐次的なシミュレーション実験から性能を推定する枠組みを示します。
通信プロトコルをさまざまな実験設定で順次検証する過程で、提案されたCLベースの推定器が、過去に学習したタスクの性能を損なうことなく、新たな（未経験の）推定タスクを段階的に学習します。
標準的なニューラルネットワーク構成を前提に、損失関数へ適切な正則化とリプレイ戦略を組み込むことで実現します。
実験により、推定器が連続的なシミュレーション結果のストリームから学習でき、計算コストが異なる条件でも推定精度でベースラインのニューラルネットワークを改善できることが示されています。
研究全体として、継続学習が分子通信分野に与える意義と適用可能性を整理・確立することを目的としています。

Abstract

本論文は、フィードバック型分子通信プロトコルのために連続学習（CL）アルゴリズムを活用し、逐次的なシミュレーション実験を実行することで性能推定を行う新しい性能推定手法を提案し、その有効性を評価する。プロトコルをさまざまな実験環境で逐次的に検討するにつれて、提案するCLベースの性能推定器は、過去に学習した推定タスクを損なうことなく、未経験の推定タスクの一連を段階的に学習するよう設計されている。これらは、損失関数において正則化およびリプレイ戦略をカスタマイズすることで、標準的なニューラルネットワークアーキテクチャ上で動作するように設計されている。実験結果は、提案する推定器がシミュレーション結果の連続ストリーム上で効果的に学習でき、さまざまな計算コストの下で推定精度を改善することで、ベースラインのニューラルネットワークを強化できることを示している。本論文の貢献は、分子通信分野におけるCLの含意を明らかにすることである。