在即将到来的 AI 辅助的 6G 网络中，整合语义、语用和目标导向的沟通策略变得必不可少。本文的主要贡献是：首先，提出并详细说明了一种新的数学建模方法，用于描述由于语义和有效性水平上的语言不匹配而导致的错误；其次，提供了一种利用最优传输理论来抵消这些类型错误的新算法解决方案。我们的数值结果显示了所提出机制在嘈杂的通信环境下弥补语言不匹配的潜力，从而提高了可靠通信的可达性。

Jan, 2024

通过研究符号畸变和语义感知限制下的语义通信数据率，提出了可实现的区域，并证明了一种随机编码方案可以实现该区域。对于给定的畸变和感知限制，推导了二进制语义信息源的闭合可实现速率，并验证了理论观察的实验结果。

Dec, 2023

该研究探讨了离散无记忆信道上语义通信的基本限制，采用语义速率失真函数分析最小压缩率、观测失真、语义失真和信道容量之间的关系。对于未知语义源分布的情况，提出了一种基于神经网络的方法来学习语义源分布，同时设计了级联神经网络来估计语义速率失真函数。对于已知完美语义源分布的情况，提出了通用的 Blahut-Arimoto 算法来高效计算语义速率失真函数。最后，通过实验证实了该算法在理想高斯语义源和一些实际数据集的情况下的有效性。

Jan, 2024

研究了联邦学习中模型更新的统计学特性及各种压缩技术的作用和优劣，提出了基于失真作为可靠的模型精度代理的降低通信成本的新方法，并在 Stack Overflow 下一个真实具有挑战性的 FL 基准测试中实现了接近最优的通信成本降低，在多个数据集、优化器、客户端和训练轮次中，失真 - 失真前沿保持一致。

Jan, 2022

该研究提出了一种通过学习算法来优化概率分布并将其传输到受限通道中的方法，从而在保证模型准确性的前提下降低数据失真，同时介绍了一种经验协调概念与网络中的强协调概念。

May, 2023

在未来的 6G 无线网络中，语义和效能方面的通信将起到基础作用，将意义和相关性融入传输中。本文提出了一个新的面向目标的语义通信框架，通过潜在空间对齐来减轻语义不匹配问题。我们提出了一种动态优化策略，适应相对表示、通信参数和计算资源，实现了高效能、低延迟、面向目标的能源储效率的语义通信。数值结果表明我们的方法在减轻设备间不匹配问题的同时，优化了能源消耗、延迟和效能。

Mar, 2024

我们提出了一种新颖的 AI 本地目标导向通信设计，利用变换器神经网络在带宽和计算的动态推理约束下。

Apr, 2024

利用语义分析方法，在保证语义保真度高的前提下，提高了无线通信的通信效率。

Jan, 2021

提出了一种用于 AIoT 中高效图像通信的新型深度图像语义通信模型，通过语义分割算法实现对图像的高精度语义信息提取以实现图像数据的显著压缩，通过基于生成对抗网络的语义图像恢复算法将语义图像转换为具有详细信息的实景图像，结果表明，与 WebP 和 CycleGAN 相比，所提出的图像语义通信模型在图像压缩比和恢复准确度上平均分别提高了 71.93% 和 25.07％，而且与原始图像传输相比，我们的演示实验证明该模型可以将传输中的总延迟减少了 95.26％。

Nov, 2023

提出了一种利用生成人工智能辅助的语义通信系统，采用多模型提示的方法来实现准确的内容解码，并通过生成扩散模型辅助进行覆盖通信，最终实现源信息的成功和安全传输。

Sep, 2023