通过提出了一种基于自编码器的观察抽象框架，实现了在蜂窝通信网络中对一些关键技术的学习，比如 5G 和 6G 之类的，进一步的加强了当前基于多智能体技术的反馈学习算法的鲁棒性和推广性。

Jun, 2022

本研究提出了一种基于深度强化学习的框架，通过将协议拆分为一组参数模块来优化设计和分析网络协议，并以 DeepMAC 为案例研究，在 802.11 WLANs 中将 MAC 协议分解为一组模块，以了解人工智能技术在网络协议优化方面的应用。

Feb, 2020

本文首次提出采用语义协议模型（SPM）将基于神经网络（NN）的协议模型（NPM）转换成可解释的符号图。该转换通过提取和合并通用控制信令消息（CM）和其连接而实现，从而具有内存效率和可解释性。该模型在多种实际应用中展示了性能和效率优势，如碰撞避免、语义熵计算和非静态环境下的存储管理。

Jul, 2022

本文旨在探讨单元设备与基站之间交换数据前需传递信令消息的通信协议，提出了利用多智能体强化学习和学习通信技术以取代人工设计标准的方法，并测试了多智能体强化学习和学习通信技术在移动通信领域的应用效果。

Jul, 2020

本文描述了如何利用深度强化学习框架进行物理层和 MAC 层的不同参数之间的关系学习，以优化协议设计任务。

Feb, 2020

通过多任务学习，本文探讨了以目标为导向和语义为基础的通信在下一代通信网络中的机遇和挑战。该方法使用深度神经网络，将专用的编码器部署在发送端，将多个任务特定的解码器共同部署在接收端，集中训练以处理包括语义信息保留、源输入重构和集成感知和通信在内的各种任务。通过将解码器部署在多个接收器上，采用去中心化学习，解决了通信负载和隐私问题，利用联邦学习技术在分布式节点之间分发模型更新。然而，该方法的有效性取决于所采用的深度学习模型的鲁棒性。我们审查了在训练和测试阶段可能产生的对抗性攻击的潜在漏洞，这些攻击旨在操纵编码器端的输入以及接收端空中接收到的信号，凸显了加固语义通信以防范潜在的多领域攻击的重要性。总体而言，在多任务学习框架中，任务导向通信、语义通信和集成感知与通信的共同鲁棒设计成为下一代网络系统中实现上下文感知、资源高效和安全通信的关键因素。

Jan, 2024

本文介绍了将语义和目标导向应用于未来的 6G 网络中，将有助于提高系统的效率和可持续性，同时结合知识表示和推理工具以及机器学习算法，可以建立语义学习策略从而实现更好的解释能力，对抗敌对攻击。

Nov, 2020

通过对数据驱动的端到端学习和优化的物理层的深度学习表示学习的利用，端到端系统在复杂的无线环境中显现出增强的适应性和性能，满足 5G 及以后的网络系统和应用需求。本文综述数据驱动的物理层在端到端通信系统中的关键作用以及其在不同模态中实现的语义应用，同时指出了关键挑战和未来研究方向，为深度学习在物理层和语义通信中的未来发展提供重要参考。

Jan, 2024

本文综述了基于深度学习的 5G 通信方案的发展，并提出了高效的深度学习方案，探讨了非正交多址接入（NOMA）、海量多输入多输出（MIMO）和毫米波（mmWave）的通信框架，并展示了它们卓越的表现。本文的创新点在于深度学习技术在无线物理层框架中的优化方法为通信理论开辟了新的方向。

Apr, 2019

本文探讨了传统的通信系统在意义传达方面的缺陷，提出了一种基于语义感知的资源高效边缘智能通信架构，旨在通过卸载计算资源，保护用户信息，并最大限度地提高通信效率。

Dec, 2020