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

本研究提出了一种利用消息量化实现离散通信的方法，可以实现优于其他基于强化学习算法或 Gumbel-softmax 的连续逼近的多种设置下的性能，并为深度学习时代下的多代理通信提供更广泛的视角。

Nov, 2022

本研究考虑了机器人群和远程无线控制任务中的有效通信问题，并提出使用基于 VQ-VAE 编码的 DRL 动态适应量化级别的方案来提高系统性能。

Jan, 2023

基于远程无线控制和 5G 及更高级别系统，本研究研究了优化传输策略以实现有效沟通的方法，提出了采用集合向量量化变分自编码器进行编码，并训练深度强化学习代理动态调整量化水平，通过在基准控制问题上的测试显示其具有显著的性能提升。

Jan, 2024

本文提出了一种基于学习的通信方案，综合优化特征提取，源编码和信道编码，采用变分信息瓶颈框架构建可行的上界，使用稀疏诱导分布作为变分先验，提高边缘设备和强大边缘服务器的传输性能和速度。

Feb, 2021

MoTEF 是一种将通信压缩与动量跟踪和误差反馈相结合的新方法，它在任意数据异质性下取得了显著优于现有方法的实际优越性。

May, 2024

这篇论文提出了一种名为 “Cyber-Physical POMDP” 的模型，将目标导向通信和网络控制相结合，以实现分散的移动机器人的协调，通过联合训练可以显着提高总体性能并可导致通信行动的隐式协调。

Feb, 2023

本文提出了一种基于联邦学习模式下的多智能体最优化问题解决方案，运用受限的通信方式，实现了对多个目标的追踪，避免了碰撞发生，并在两个相关应用上进行了数量级和碰撞性能的分析。

Jun, 2023

本文针对合作多智能体增强学习方法中，通过便宜谈话渠道实现智能体之间的通信的问题，提出了一种基于互信息最大化的算法，分别对便宜话探测和利用进行了研究，并在这两个部分都优于现有算法的前提下，开发出一种新的框架，还发布了一套新的基准测试套件以刺激未来在便宜谈话渠道方面的研究。

Mar, 2023