Integration of Generative AI and Mobile Networking: A Comprehensive Survey
Notice bibliographique
Résumé
Sixth-generation (6G) mobile networks are foreseen to be intelligent, pervasive, and automated systems that support a broad spectrum of emerging applications, such as immersive extended reality, autonomous mobility, and personalized AI agents. These applications demand transformative network management, requiring real-time intelligence, semantic awareness, and user-centric optimization. However, existing network management frameworks, including those based on conventional deep learning, struggle with the non-stationary, heterogeneous nature of 6G environments. Generative Artificial Intelligence (GAI) emerges as a pivotal paradigm to address these limitations with its capabilities in context-aware generation, adaptive reasoning, and dynamic decision-making. This survey pioneers a comprehensive examination of the bidirectional integration between GAI and mobile networking. First, it explores how GAI techniques fundamentally transform network management across critical domains, including channel modeling, transmission optimization, beamforming, routing, network slicing, and resource orchestration. Second, it systematically investigates how mobile networking must evolve in architecture, data management, mobility support, and resource orchestration to effectively deploy, infer, and adapt increasingly complex GAI models under dynamic and constrained conditions. Distinct from existing works, we provide a structured review of GAI developments and their interplay with mobile networking, thoroughly analyze applications and enabling techniques, identify critical technical, architectural, and practical challenges, and propose concrete research directions. Our work bridges the gap between GAI and mobile networking, outlining pathways towards intelligent, adaptive, and collaborative 6G systems.
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 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».