[论文解读] Semantics-Empowered Communication: A Tutorial-cum-Survey

Zhilin Lu, Rongpeng Li+5 more|arXiv (Cornell University)|Dec 16, 2022

Big Data and Digital Economy被引用 12

一句话总结

本教程兼综述全面概述了语义赋能通信（SemCom），提出了一套统一框架，通过人工智能驱动的语义理解，实现从比特级传输到语义级传输的转变。该综述将使能技术分为显式推理与隐式推理两类，回顾了理论基础、度量标准、工具包及挑战，并强调了SemCom在6G及未来通信中的作用，可实现更高的效率、鲁棒性与可扩展性。

ABSTRACT

Along with the springing up of the semantics-empowered communication (SemCom) research, it is now witnessing an unprecedentedly growing interest towards a wide range of aspects (e.g., theories, applications, metrics and implementations) in both academia and industry. In this work, we primarily aim to provide a comprehensive survey on both the background and research taxonomy, as well as a detailed technical tutorial. Specifically, we start by reviewing the literature and answering the "what" and "why" questions in semantic transmissions. Afterwards, we present the ecosystems of SemCom, including history, theories, metrics, datasets and toolkits, on top of which the taxonomy for research directions is presented. Furthermore, we propose to categorize the critical enabling techniques by explicit and implicit reasoning-based methods, and elaborate on how they evolve and contribute to modern content & channel semantics-empowered communications. Besides reviewing and summarizing the latest efforts in SemCom, we discuss the relations with other communication levels (e.g., conventional communications) from a holistic and unified viewpoint. Subsequently, in order to facilitate future developments and industrial applications, we also highlight advanced practical techniques for boosting semantic accuracy, robustness, and large-scale scalability, just to mention a few. Finally, we discuss the technical challenges that shed light on future research opportunities.

研究动机与目标

• 通过澄清其核心概念、动机与基础原理，建立对语义赋能通信（SemCom）的统一理解。
• 通过提出基于研究方向的结构化分类法（包括内容语义与信道语义），解决SemCom研究领域的碎片化问题。
• 基于显式与隐式推理，回顾并系统化使能技术，强调其在现代通信系统中的演化与融合。
• 突出可扩展性、隐私与知识库管理等实际挑战，并提出提升语义准确率与鲁棒性的先进技术。
• 将SemCom定位为未来6G及智能通信系统的基础范式，提供其潜力与开放研究挑战的全面视图。

提出的方法

• 基于推理类型提出SemCom的分类法：显式推理（基于规则或知识图谱）与隐式推理（基于深度学习的参数化模型）。
• 回顾理论基础，包括语义信息论及用于评估语义保真度的语义相似性度量。
• 提出一个系统级生态系统，包含数据集、工具包与实现框架，以支持可复现的研究与原型开发。
• 分析端到端SemCom架构，该架构提取、压缩并传输语义表征而非原始比特，利用自然语言处理与计算机视觉模型。
• 讨论与现有通信层级的集成，提出面向6G及未来的语义感知网络设计原则。
• 提出对知识库进行加密及采用隐私保护技术（如差分隐私、联邦学习）以保护数据与模型层面的语义数据。

实验结果

研究问题

• RQ1 语义赋能通信的基本定义与动机是什么？它与经典信息论有何不同？
• RQ2 如何利用人工智能与基于知识的模型，在通信系统中有效提取、表示并传输语义信息？
• RQ3 驱动现代SemCom系统的关键技术组件与使能技术（显式 vs. 隐式推理）是什么？
• RQ4 如何对语义度量标准、知识库与工具包进行标准化，以支持可扩展且互操作的SemCom实现？
• RQ5 在隐私、可扩展性与知识库维护方面存在哪些主要挑战？如何在实际部署中加以解决？

主要发现

• SemCom已成为6G及未来通信的关键范式，研究兴趣迅速增长——Google Scholar 显示，2022年关于‘语义’与‘通信’的论文数量，超过此前两年的总和。
• 显式推理方法依赖于结构化知识库与符号逻辑，而隐式推理则利用深度神经网络从数据中学习语义表征。
• 语义相似性度量与知识库对齐对于评估多模态（文本、图像、视频）通信中传输语义的保真度至关重要。
• 大型语言模型（LLMs）与生成式AI的集成，使去中心化网络中的语义编排成为可能，支持未来智能通信系统的发展。
• 隐私仍是主要挑战：敏感数据泄露可能发生在数据与模型两个层面，因此需要采用数据混淆、差分隐私与加密知识库等技术。
• 尽管已有进展，但在传统OSI模型下，针对异构数据类型仍缺乏通用的语义级框架，且分布式设备间知识库的同步仍是开放挑战。