语义通信在增强数据传输效率方面具有很大潜力。本文针对干扰情景与基准方案进行了比较研究，提出了一种抗干扰的语义通信方案。该方案基于神经网络（NNs）开发了收发机，它可以单独在接收端或发送端和接收端都集成信道状态信息（CSI）。我们还建立了一个综合损失函数来训练 IRSC 收发机，并采用动态机制来更新损失函数中各个部分的权重，以提高系统对用户的公平性。实验结果表明，所提出的 IRSC 方案能有效地学习抑制干扰，在低信噪比（SNR）环境中优于基准方案。

Apr, 2024

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

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

本研究论文提出了一种联合优化算法，用于减少总延迟和提高效用的语义通信系统。该系统包含了物理层安全方法，通过秘密速率来确保信息不被窃听者获得。实验结果表明，与基线相比，所提出的算法能够达到最佳的联合优化性能。

Dec, 2023

该论文提出了一种新的转发框架，语义向前（SF），用于面向第六代（6G）无线网络的合作通信。SF 中继提取并传输语义特征，减少转发负载，并提高网络对内部链路错误的鲁棒性。基于具有额外信息的合作通信的理论基础和 Turbo 原则，我们设计了一种联合源 - 信道编码算法，以迭代地交换外部信息，提高目的地的解码增益。令人惊讶的是，模拟结果表明，即使在恶劣的信道条件下，SF 中继仍可以有效地提高恢复的信息质量。

Oct, 2023

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

在单个和多个干扰者的无线电频率干扰的情况下，研究了名为 DeepSC 的文本 SemCom 系统的性能极限，并通过引入一个明确的概率框架来展示，当单个和多个干扰者的 RFI 功率变得非常大时，DeepSC 会产生语义上不相关的句子。这些性能极限提供了有关 IR2 SemCom 设计的设计思路，并揭示了 DeepSC 和 SemCom 对 RFI 的漏洞，同时还启发了其他文本 SemCom 技术的性能分析。

Feb, 2023

本文探讨了在新兴的网络化系统中，为了实现远程驱动，如何通过语义学方法实现目的导向的信息交换，证明了基于语义学方法采样和传输策略能够显著降低误差率和执行成本。

Jul, 2020

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

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