通过多任务学习，本文探讨了以目标为导向和语义为基础的通信在下一代通信网络中的机遇和挑战。该方法使用深度神经网络，将专用的编码器部署在发送端，将多个任务特定的解码器共同部署在接收端，集中训练以处理包括语义信息保留、源输入重构和集成感知和通信在内的各种任务。通过将解码器部署在多个接收器上，采用去中心化学习，解决了通信负载和隐私问题，利用联邦学习技术在分布式节点之间分发模型更新。然而，该方法的有效性取决于所采用的深度学习模型的鲁棒性。我们审查了在训练和测试阶段可能产生的对抗性攻击的潜在漏洞，这些攻击旨在操纵编码器端的输入以及接收端空中接收到的信号，凸显了加固语义通信以防范潜在的多领域攻击的重要性。总体而言，在多任务学习框架中，任务导向通信、语义通信和集成感知与通信的共同鲁棒设计成为下一代网络系统中实现上下文感知、资源高效和安全通信的关键因素。

Jan, 2024

本文探讨了传统的通信系统在意义传达方面的缺陷，提出了一种基于语义感知的资源高效边缘智能通信架构，旨在通过卸载计算资源，保护用户信息，并最大限度地提高通信效率。

Dec, 2020

介绍了一个建立在人工智能、因果推理和通信理论新概念之上的可扩展端到端语义通信网络，它要求将数据驱动网络转向为知识驱动的网络，并使用叫做语义语言的语言与语义表示方式，提出了新的 “推理能力” 度量方法，为未来的语义通信网络的建立、分析和应用提供了一个全面的参考。

Nov, 2022

在即将到来的 AI 辅助的 6G 网络中，整合语义、语用和目标导向的沟通策略变得必不可少。本文的主要贡献是：首先，提出并详细说明了一种新的数学建模方法，用于描述由于语义和有效性水平上的语言不匹配而导致的错误；其次，提供了一种利用最优传输理论来抵消这些类型错误的新算法解决方案。我们的数值结果显示了所提出机制在嘈杂的通信环境下弥补语言不匹配的潜力，从而提高了可靠通信的可达性。

Jan, 2024

在未来的 6G 无线网络中，语义和效能方面的通信将起到基础作用，将意义和相关性融入传输中。本文提出了一个新的面向目标的语义通信框架，通过潜在空间对齐来减轻语义不匹配问题。我们提出了一种动态优化策略，适应相对表示、通信参数和计算资源，实现了高效能、低延迟、面向目标的能源储效率的语义通信。数值结果表明我们的方法在减轻设备间不匹配问题的同时，优化了能源消耗、延迟和效能。

Mar, 2024

该文论述了语义通信的概念和理论框架，重点探讨了基于深度学习的语义通信系统设计及其性能度量，最终提出若干该领域的待解决问题。

Dec, 2021

本文探讨了在新兴的网络化系统中，为了实现远程驱动，如何通过语义学方法实现目的导向的信息交换，证明了基于语义学方法采样和传输策略能够显著降低误差率和执行成本。

Jul, 2020

本研究论文提出了一种联合优化算法，用于减少总延迟和提高效用的语义通信系统。该系统包含了物理层安全方法，通过秘密速率来确保信息不被窃听者获得。实验结果表明，与基线相比，所提出的算法能够达到最佳的联合优化性能。

Dec, 2023

本教程总结了从早期的语义感知和面向任务的通信开始，涵盖了其基础，算法和潜在实施，重点是利用信息理论提供基础以及学习在语义感知和面向任务的通信中的重要作用。

Jul, 2022

本研究通过推广 Basu 等人的方法，将语义建模扩展至完整的通信马尔科夫链，提出了一种 ML-based 的语义通信系统 SINFONY，通过传输信息的同时进行压缩，有效提高了信息传输质量，尤其在多分发情况下，SNR 比传统通信系统提高了 20dB。

Apr, 2022