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

本论文研究了目标导向的通信，提出了一种多任务深度学习方法，通过在发射机上训练一个共同的编码器和在接收机上训练个体的解码器，实现了多任务的联合优化和与多个接收方的通信。该方法在 6G 网络的边缘提供了高效的资源分配，能够适应不同的信道条件，达到任务特定的目标同时最小化传输开销。通过多任务学习联合训练编码器和解码器，可以捕捉到任务之间共享的信息并相应地优化通信过程。利用无线通信的广播特性，多接收方的目标导向通信（MTOC）减少了在不同接收方完成任务所需的传输次数。通过对 MNIST、Fashion MNIST 和 CIFAR-10 数据集进行性能评估，证明了 MTOC 相对于单一任务导向通信系统在分类准确性和资源利用方面的有效性。

Aug, 2023

本研究介绍了一种深度学习方法，利用多模态图像和频谱数据相结合，实现动态频谱访问，并识别潜在的发射器。通过使用边缘设备上的摄像头拍摄潜在对象（例如可能携带发射器的车辆），我们提出了一种协作系统，其中边缘设备与可信接收器之间进行有选择的信息通信并作出决策，以确定潜在的发射器是否存在。通过任务导向的通信，在发射器上使用编码器进行联合源编码、信道编码和调制，从而高效传输用于对象分类的精简维度的重要信息。同时，发送的信号可能会反射到物体并返回到发射器，从而实现目标感知数据的收集。然后，在发射器上对收集到的感知数据进行第二轮编码，通过任务导向的通信将降维后的信息传回融合中心。在接收端，解码器通过联合感知和任务导向的通信，执行识别发射器的任务。发射器的两个编码器以及接收器的解码器进行联合训练，实现了图像分类和无线信号检测的无缝集成。通过 AWGN 和 Rayleigh 信道模型，我们展示了所提出方法的有效性，在各种信道条件下取得了发射器识别的高准确性，并保持低延迟的决策过程。

Dec, 2023

本文提出了一种针对多设备分裂推理系统的任务导向的空中计算（AirComp）方案，旨在最大限度地减少聚合误差并最大化推理准确性。

Nov, 2022

本文提出了一种基于任务导向的通信方案以减少多设备合作边缘推理中的通信开销与延迟，并通过信息瓶颈原理提取与任务相关的特征并采用分布式信息瓶颈框架来对分散的特征进行编码。通过对多个设备传输的信息进行冗余性分析并采用可变近似来解决计算的复杂性问题，该方案比基线方法更好地平衡了传输效率与推理能力的关系。

Sep, 2021

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

本文提出了一种基于深度神经网络的多任务学习 (MTL) 框架，同时学习调制和信号识别任务，考虑到电磁频谱中的多样性无线信号，该框架能有效地提高分类准确性和学习效率，适用于资源受限的嵌入式电台平台，并提供了广泛的异构无线信号数据集。

Feb, 2022

本研究演示了通过深度学习和软件无线电实现完全由神经网络构成的通信系统，并使用两阶段学习方法应对训练过程中的不可导问题。

Jul, 2017

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

本文介绍了嵌入式 AI 技术在边缘计算中的应用，提出了一种物联网中使用无线传感器、计算和通信三项基础技术的全面集成方法，并通过两个具体的应用案例展示了任务导向的 ISCC 的优势以及一些实际挑战。

Jun, 2023