本文提出了一种新的神经网络语义通信系统，包括语义编码网络和数据适应网络，通过传输学习中的域适应技术实现了针对动态数据环境下的任务不可知的图像传输，实验结果表明该方法在保持高性能的同时也能适应可观测数据集。

Apr, 2022

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

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

本文讨论了在不同的实际应用中将语义图应用于自动化数字孪生所需的独特要求，并介绍了反映这些特征的基准数据集 DTBM，并探讨了不同知识图技术的规模化挑战。基于这些见解，我们将提出在 IBM 中多个产品中使用的参考架构，并推导出用于配置数字孪生的 AI 模型的规模化知识图的教训。

Oct, 2022

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

本文提出了一种基于深度学习、进行语义通信的轻量级分布式语义通信系统 L-DeepSC，该系统通过模型裁剪，低权重分辨率，优化语义星座，以及使用信道状态信息辅助训练等技术，旨在提高 IoT 设备的通信效率和降低通信成本。仿真实验证明，在低信噪比环境下，该系统可实现高达 40 倍的数据压缩比，而不影响传输性能。

Jul, 2020

提出了一种新的基于信号博弈和神经符号人工智能方法的新兴语义通信系统框架，用于因果推理，最终实现高效的通信和更好的语义可靠性。

Oct, 2022

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

该研究论文介绍了在数字孪生系统中利用语义关联规则学习和知识图谱的方法，并通过工业应用的评估表明该方法能够学习具有语义信息的大量关联规则，为进一步研究工业应用的语义关联规则学习奠定了基础。

Oct, 2023

本文介绍一个数字孪生框架，结合 Metaverse 的技术，实现语义通信，以提高工业应用程序的性能，展示了语义意识如何成为数字孪生在 Metaverse 应用程序中的有效实现方案。

May, 2023