Semantic Communication: A Survey on Research Landscape, Challenges, and Future Directions
Notice bibliographique
Résumé
Amid the global rollout of fifth-generation (5G) services, researchers in academia, industry, and national laboratories have been developing proposals for the sixth-generation (6G), whose materialization is fraught with many fundamental challenges. To alleviate these challenges, a deep learning (DL)-enabled semantic communication (SemCom) has emerged as a promising 6G technology enabler, which embodies a paradigm shift that can change the status quo viewpoint that wireless connectivity is an opaque data pipe carrying messages whose context-dependent meanings have been ignored. Since 6G is also critical for the materialization of major SemCom use cases, the paradigms of 6G for SemCom and SemCom for 6G call for a tighter integration of 6G and SemCom. For this purpose, this comprehensive article provides the fundamentals of semantic information, semantic representation, and semantic entropy; details the state-of-the-art SemCom research landscape; presents the major SemCom trends and use cases; discusses current SemCom theories; exposes the fundamental and major challenges of SemCom; and offers future research directions for SemCom. We hope this article stimulates many lines of research on SemCom theories, algorithms, and implementation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,009 | 0,013 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,010 | 0,031 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».