我们提出了一种新的方法来估计图的拓扑，并识别三节点的相互作用，通过结构化的图 Volterra 核来学习二阶简单复形 (SCs)，通过使用群规范和掩膜矩阵求解图和 SC 推理的数学公式，实验结果表明我们的方法在合成和真实数据上具有优越性能。

Dec, 2023

基于 Hodge 分解的对比自监督学习方法通过编码特定数据的不变性，利用简单神经网络生成具有适当光谱特性的正对比实例，从而获得反映数据谱特性的嵌入空间。与监督学习技术相比，我们在两个标准边流分类任务中取得了卓越的性能，强调了采用谱视角进行高阶数据的对比学习的重要性。

Sep, 2023

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

通过线性和非线性混合机制对降维复合体进行数据增强，提出一种凸聚类混合方法来处理多个降维复合体之间的数据驱动关系，实现了对现有数据的合成插值，并在简单复合体分类的合成和实际数据集上进行了方法验证。

Sep, 2023

在 Simplicial 2 - 复合体中，我们开发了一个卷积神经网络层，以处理具有图形或超图结构的数据，这提供了图形结构和超图结构之间的中间地带。

Dec, 2020

本研究提出了两种认知语义通信框架，并利用知识图谱开发语义通信系统，其中包括一种简单、通用且可解释的语义对齐算法和有效的语义校正方法，进行了广泛的仿真测试，表明我们的认知语义通信系统在数据压缩率和通信可靠性方面优于基准通信系统，并构建了一个软件定义无线电原型系统用于演示。

Mar, 2023

本研究通过推广 Basu 等人的方法，将语义建模扩展至完整的通信马尔科夫链，提出了一种 ML-based 的语义通信系统 SINFONY，通过传输信息的同时进行压缩，有效提高了信息传输质量，尤其在多分发情况下，SNR 比传统通信系统提高了 20dB。

Apr, 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

提出一种在边缘推理领域内，通过有效利用视觉 Transformer（ViTs）模型的通信高效的协同推理框架。该框架运用了轻量级的 ViT 模型在边缘设备上，服务器采用复杂的 ViT 模型，以提高通信效率并实现与服务器模型相当的分类准确性，通过关注度感知的补丁选择和熵感知的图像传输策略实现。实验证明，该协同推理框架可以将通信开销减少 68%，同时仅有最小的准确性损失。

Feb, 2024

通过利用潜在表示中的内在冗余来减少计算负担，我们提出了一种名为语义推理（SINF）的新框架，它可以识别物体属于的语义簇并执行与该语义簇相关的子图进行推理，并利用名为判别能力分数（DCS）的方法提取每个簇特定的子图。在基准测试中，我们的结果表明，SINF 可以减少 VGG19、VGG16 和 ResNet50 的推理时间，同时只损失 0.17%、3.75% 和 6.75% 的精度；DCS 在 VGG16、VGG19 和 ResNet50 中取得优秀的精度，比现有的判别分数高出分别为 3.65%、4.25% 和 2.36%；DCS 作为剪枝标准，与已有的 ICLR2023 最新工作相比，可以提高 8.13% 的准确率，并减少 5.82% 的参数量；SINF 在考虑每个簇的准确率时，相对于 VGG16、VGG19 和 ResNet50 的基础模型，性能提高了平均分别为 5.73%、8.38% 和 6.36%。

Oct, 2023