SC-PNC: Semantic Communication-Empowered Physical-Layer Network Coding
Notice bibliographique
Résumé
This paper puts forth the first framework for semantic communication (SC)-empowered physical-layer network coding (PNC), referred to as SC-PNC. Although conventional bit-oriented PNC can enhance the throughput of wireless relay networks by turning mutual wireless interference into useful network-coded information, it faces two primary problems that limit its application in practice. First, bit-oriented PNC decoding is susceptible to the relative phase offsets among signals received from different nodes; in particular, some “bad” relative phase offsets could lead to significant performance degradation. Second, the scheduling design of bit-oriented PNC transmissions is limited by the bitwise operation. To address these issues, this paper designs SC-PNC, which leverages semantic communication to bypass the need for bit-perfect message recovery at the destination. First, we employ a two-way relay network (TWRN) to demonstrate how SC-PNC effectively mitigates the detrimental effects of “bad” relative phase offsets. Then, we explore a triangular relay network (TriRN) to show how we can take advantage of semantic communication to redesign the scheduling of PNC transmissions. Specifically, an SC-PNC TriRN architecture is designed, wherein each node receives information from the other two nodes in only two time slots. Taking image delivery as an example, experimental results reveal that SC-PNC consistently achieves high and stable image reconstruction quality under different channel conditions and relative phase offsets, outperforming the conventional bit-oriented counterparts. Moreover, the new two-slot SC-PNC TriRN architecture is effective in extracting semantically accurate information from images, showcasing its potential as a low-latency solution for semantic information exchange.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».