本研究提出了一种新的技术框架 ——NeSy AI，结合 GFlowNet 和优化问题解决方案，来学习生成 6G 系统数据，具有更高的语义可靠性，并通过验证实现了比传统通信系统更高效的、具有更好的数据推理能力的数据传输方式。

May, 2022

本文提出了一种基于因果语义通信的数字孪生系统 (DT) 框架，通过利用人工智能等技术来实现连接智能服务，从而处理基于 DT 的大量网络数据，实现网络决策并较好地实现语义可靠性。

Apr, 2023

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

提出了一种新型的语义感知通信体系结构，称为 iSAC，它具有投影语义编码器和生成对抗性模仿学习等组件，旨在有效地传输、学习和解释源和目标用户之间的隐藏信息，从而提高用户的体验质量（QoE）。与现有解决方案相比，iSAC 需要更少的通信和计算资源，并且对通信丰富的语义含义和关系进行扩展缩放。

Jun, 2023

通过提出 SEA-net 方案，使神经网络拥有符号创造、语义理解和通信的能力，并通过符号操作和通信获得新的功能。这些和人脑中的符号生成和理解有着共通的框架，有望在未来生产更加强大的人工智能系统。

Apr, 2023

现有关于基于深度学习代理之间紧急通信的研究受到广泛关注，因为它对语言学和人工智能有启发作用。本研究提出了一个认知导向的环境 —— 推理游戏，鼓励代理人进行高层次规则的推理和沟通，而不是感知低层次环境。实验结果表明，在推理游戏中，出现了一个语义稳定且组合性强的语言来解决推理问题。这种演化的语言帮助代理人将提取的规则应用到看不见的环境属性的推广中，以及不同环境属性甚至任务之间的迁移。

Nov, 2023

通过引入上下文推理，本文提出了一种基于语义的随机模型，用于更有效地传递信息，同时证明系统二的可靠性能够随着意义概念数量的增加而提高，并通过期望语义表示位长度来衡量提取出的有效语义，实验结果表明该模型显著缩短语义表示长度且不会影响通信可靠性。

Aug, 2021

提出了一种基于深度学习的语义通信系统 DeepSC，使用 Transformer 来重构语句的含义，最大化系统容量并最小化语义错误，同时采用迁移学习以适应不同的通信环境，并提供了一个新的度量标准，命名为句子相似性。深度语义通信系统在低信噪比的情况下表现更好，比传统的非语义信息传播的系统更稳健。

Jun, 2020

该研究通过设计一种基于深度学习和注意机制的语音语义通信系统 DeepSC-S，以提高在噪音环境下的语音信号精度和鲁棒性，并在电话和多媒体传输系统中进行了实践验证。研究证明 DeepSC-S 在语音信号指标方面优于传统通信方法，并且在低信噪比环境中表现更加出色，这可以通过提供更高的权重来识别必要的语音信息。

Feb, 2021

在 6G 时代，智能交通系统、数字孪生、远程监控有望成为普遍实践。为了解决无线网络中庞大数据量和频繁更新的挑战，本文提出了一种基于强化学习的新型代理驱动生成语义通信（A-GSC）框架。通过无缝地结合源信息的内在属性和任务相关的情境信息，本研究在语义通信领域进行了创新，同时引入了生成人工智能（GAI），实现了语义编码器和解码器的独立设计。在实证分析中，基于 CDNet2014 数据集验证了所设计模型的有效性，并证明了整体 A-GSC 框架在节能和重构准确性方面的性能提升。

Apr, 2024