Enhancing reliability in semantic communication: A stochastic approach to semantic-graph modeling

Anlamsal iletişimin geleceğin büyük ölçekli akıllı sensör ağlarında trafik yükünü hafifletmede kritik bir rol oynaması beklenmektedir. Makine Öğrenmesi ve Derin Öğrenme alanlarındaki ilerlemeler sayesinde son yıllarda iletilen bilginin anlamını kavrayabilen sistemlerin tasarımı mümkün hale gelmiştir. Bu tez grafik tabanlı bir dil aracılığıyla temsil edilen anlamsal bilginin doğruluğunu artırmayı amaçlamaktadır. Algoritmik sorunlar ve sensör hataları anlamsal çıkarıcının gözlemlediği sinyalin grafik temsilinde hatalara yol açabilmektedir. Grafik dili kullanarak temsil edilen anlamsal bilginin zaman içindeki değişimini matematiksel olarak modellemeye ve anlamsal çıkarıcının başarısını artırmaya odaklanılmıştır. Sınırlı sayıdaki olası grafik yapıları üzerinde bir durum uzayı tanımlanmaktadır. Gözlemlenen grafik yapısının zaman içindeki değişimi bu uzayda bir Saklı Yarı-Markov Modeli olarak formüle edilmektedir. Bu yaklaşım öncül bilgileri anlamsal çıkarıcı tarafından üretilen grafik temsillerle birleştirmeyi sağlamaktadır. Bu sayede anlamsal çıkarıcının ürettiği grafik temsillerin başarısı artırılmakta ve gözlenen sinyaldeki anlamsal yenilikler daha isabetli bir şekilde tespit edilebilmektedir. Saklı Yarı-Markov Modeli çerçevesinde, hata düzeltme, anlamsal bilgi birleştirme ve model öğrenme için algoritmalar sunulmaktadır. Algoritmaların etkinliği, simülasyonlar ve CARLA platformunda üretilen video sinyalleri aracılığıyla doğrulanmaktadır.