本研究开发了一种语义通信框架用于图像传输；引入多模态度量方法对比提取得到的语义信息与原始图像之间的相关性，以最小化每个服务器的传输延迟同时满足用户 ISS 需求为目标，提出了基于价值分解的最大熵多智能体强化学习算法以解决资源块的分配问题，在模拟实验中将传输延迟降低至传统多智能体强化学习的 16.1%。

Jan, 2023

本文研究了语义感知下的调度问题，利用深度强化学习算法解决大规模系统中的最优策略问题，并通过实验表明，相较于现有算法，所提出的算法能够显著减少训练时间并提高训练性能。

May, 2023

建议使用语义通信框架和深度 Q 网络优化资源分配，以实现虚拟现实环境中的角色关联的资源分配，确保用户在 Metaverse 中获得流畅而沉浸的体验。

Aug, 2023

我们提出了一种自适应语义资源分配方案，通过语义比特量化（SBQ）与现有无线通信兼容，解决了动态无线环境中由语义度量和传输度量之间的附加映射关系引入的环境感知不准确的问题，并通过联合优化基站的传输波束，语义表示的比特数，子信道分配和带宽资源分配，解决了将整体有效的语义通信服务质量最大化的问题。通过混合深度强化学习（DRL）算法提出了一种智能资源分配方案，在无线通信中能够有效抵抗语义噪声并获得卓越的性能，比几种基准方案提高了 13% 的 SC-QoS 性能。

Dec, 2023

本研究提出了两种认知语义通信框架，并利用知识图谱开发语义通信系统，其中包括一种简单、通用且可解释的语义对齐算法和有效的语义校正方法，进行了广泛的仿真测试，表明我们的认知语义通信系统在数据压缩率和通信可靠性方面优于基准通信系统，并构建了一个软件定义无线电原型系统用于演示。

Mar, 2023

本文研究了资源受限文本数据传输的语义信息提取问题。在所考虑的模型中，需要在通信资源受限的网络中传输文本数据序列，该网络仅允许有限的数据传输。因此，在发送端，使用自然语言处理技术提取原始文本数据，然后将提取的语义信息捕捉到知识图中。该图引入了一个额外的概率维度，以捕捉每个信息的重要性。这个语义信息提取问题被提出为一个优化框架，其目标是提取最重要的语义信息进行传输。为了找到这个问题的最优解，提出了一种基于 Floyd 算法的解决方案，结合了高效的排序机制。数值结果证明了所提算法在语义不确定性和语义相似性等两个新颖性能度量方面的有效性。

Sep, 2023

本文提出了一种基于推理的隐含语义感知通信网络架构，允许多个 CDC 和边缘服务器协作支持端到端的语义编码，解码和解释，建立多层次表示和个人化推理优先权，并采用强化学习和模仿学习算法进行协作推理。

Oct, 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

该研究利用平均成本约束马尔可夫决策过程理论和 Lagrangian 动态规划，探索了在有损且受速率限制的通道上进行多个马尔可夫源的远程估计的语义感知通信；通过使用结构优化结果和开发新的策略搜索算法，可以最小化长期状态依赖成本和估计误差；为了避免马尔可夫决策过程的维度问题，提出了基于 Lyapunov 优化定理的在线低复杂度 Drift-plus-Penalty 调度算法。

Mar, 2024

本文针对智能语义通信中的用户关联和带宽分配问题，引入辅助知识库，在系统模型中设计了 “系统吞吐量” 的性能指标，通过两阶段解，提出了一个新的决策方案，与两款基线算法相比，提出的解决方案具有更高的性能表现和可靠性。

Feb, 2022