本文介绍了将语义和目标导向应用于未来的 6G 网络中，将有助于提高系统的效率和可持续性，同时结合知识表示和推理工具以及机器学习算法，可以建立语义学习策略从而实现更好的解释能力，对抗敌对攻击。

Nov, 2020

本文总结了图信号处理领域的核心思想及其与数字信号处理的关系，并概述了图信号处理中的基本工具、各个应用领域的研究进展以及该领域在机器学习等方面的应用。

Dec, 2017

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

该研究介绍了如何利用图信号处理的概念和工具，诸如图滤波器和变换，以开发新的机器学习算法，并提供了未来 GSP 技术发展的新视角，以解锁在现代数据分析中的许多挑战。

Jul, 2020

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

基于率失真理论，该研究提出一种创新方法，分析沟通和语义压缩引起的失真，以评估其对人工智能模型性能的影响，并预先估计 AI 任务的经验性准确性，从而使目标导向的语义沟通问题成为可能。

Sep, 2023

近年来，感知、测量和计算技术的最新进展已大大扩展了基于信号的应用的潜力，利用信号处理和机器学习之间的协同作用来提高性能和可靠性。本文研究了信号处理和机器学习之间的知识缺口，并针对特征提取技术进行了综述和分类，提出了两种应用场景。

Mar, 2024

该论文综述了基于图形信号处理的几何数据的广泛应用，以及该领域内新兴的图神经网络，并讨论了其在处理几何数据中的作用与挑战。

Aug, 2020

本综述分析了语义处理的五个任务：词义消歧、指代消解、命名实体识别、概念提取和主观性检测，并研究了相关的理论研究、先进方法和下游应用。同时，我们还对不同的语义处理技术进行了比较，并总结了它们的技术趋势、应用趋势和未来方向。

Oct, 2023