本文提出一种基于语义的通信框架，其中基站从文本数据中提取语义信息并采用知识图表达，将其发给每个用户，用户再采用图到文本生成模型进行还原。为了优化性能，本文提出了一个同时考虑语义精度和完整性的语义相似度度量方法，同时解决了基站资源分配、文本内容和时延约束之间的优化问题。这里采用了基于强化学习的算法，结合了注意力网络来评估语义信息中每个三元组的重要性。

Aug, 2022

该研究提出了一种基于多模态语义信息传输的图像传输方法，通过提取多模态语义信息并传输，接收方使用图像生成模型生成多张图像，并根据语义相似性进行选择。研究探索了评估原始图像和生成图像的语义特征相似性的新指标，并表明所提出的方法可促进通过移动网络进行各种服务应用的照片的传输与利用。

Apr, 2024

语义通信在增强数据传输效率方面具有很大潜力。本文针对干扰情景与基准方案进行了比较研究，提出了一种抗干扰的语义通信方案。该方案基于神经网络（NNs）开发了收发机，它可以单独在接收端或发送端和接收端都集成信道状态信息（CSI）。我们还建立了一个综合损失函数来训练 IRSC 收发机，并采用动态机制来更新损失函数中各个部分的权重，以提高系统对用户的公平性。实验结果表明，所提出的 IRSC 方案能有效地学习抑制干扰，在低信噪比（SNR）环境中优于基准方案。

Apr, 2024

一种基于共享特征提取和超先验熵压缩的语义图像传输的中继通信网络，用于解决图像传输系统中的图像质量降低和传输中断的问题。实验结果表明，该系统具有更低的传输开销和更高的语义图像传输性能。

Nov, 2023

提出了基于联邦学习的语义通信框架（FLSC），旨在通过全局聚合改善多任务分布式图像传输，其中每个用户的每个链接由基于分层视觉变换器（HVT）的提取器和适应特定任务的适应性翻译器组成。通过仿真实验结果表明，FLSC 在粗略语义信息方面表现优秀，并在低信噪比和信道带宽比场景中明显优于传统方案。

Aug, 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

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