探索利用深度学习技术实现联合感知和通信，并通过引入语义通信进行扩展的论文。通过将编码器和解码器应用于无线信道上的发射机和接收机，实现源编码、信道编码、调制、解调、信道解码和源解码的联合操作。通过多任务学习对这些深度神经网络进行联合训练，在考虑数据和信道特性的基础上，通过引入任务分类器扩展到语义通信，从而在接收信号的标签分类中提高语义集成效果。该研究基于 CIFAR-10 数据集，并考虑加性白高斯噪声（AWGN）和瑞利衰落等信道效应，得出了多任务深度学习在实现高保真联合感知和语义通信方面的有效性。

Nov, 2023

该论文提出了一种任务导向通信的新方法，将信号的分类作为任务，并使用编码器 - 解码器对接收器、发射器和分类器功能进行联合训练，以提高准确性。此外，在深度学习用于任务导向通信时，对抗机器学习构成了一种安全威胁。

Dec, 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

本研究介绍了一种深度学习方法，利用多模态图像和频谱数据相结合，实现动态频谱访问，并识别潜在的发射器。通过使用边缘设备上的摄像头拍摄潜在对象（例如可能携带发射器的车辆），我们提出了一种协作系统，其中边缘设备与可信接收器之间进行有选择的信息通信并作出决策，以确定潜在的发射器是否存在。通过任务导向的通信，在发射器上使用编码器进行联合源编码、信道编码和调制，从而高效传输用于对象分类的精简维度的重要信息。同时，发送的信号可能会反射到物体并返回到发射器，从而实现目标感知数据的收集。然后，在发射器上对收集到的感知数据进行第二轮编码，通过任务导向的通信将降维后的信息传回融合中心。在接收端，解码器通过联合感知和任务导向的通信，执行识别发射器的任务。发射器的两个编码器以及接收器的解码器进行联合训练，实现了图像分类和无线信号检测的无缝集成。通过 AWGN 和 Rayleigh 信道模型，我们展示了所提出方法的有效性，在各种信道条件下取得了发射器识别的高准确性，并保持低延迟的决策过程。

Dec, 2023

本文提出了一种新的神经网络语义通信系统，包括语义编码网络和数据适应网络，通过传输学习中的域适应技术实现了针对动态数据环境下的任务不可知的图像传输，实验结果表明该方法在保持高性能的同时也能适应可观测数据集。

Apr, 2022

语义通信在未来的人工智能驱动通信系统中扮演关键角色，通过深度生成模型来从原始复杂内容中提取语义信息并在接收端重新生成语义一致的数据，使得其对信道干扰具有鲁棒性。本文概述了语义通信面临的挑战，并揭示了深度生成模型如何显著增强语义通信框架，处理现实世界中的复杂数据、提取和利用语义信息以及对信道干扰具有鲁棒性。此外，本文还为下一代生成式语义通信框架提供了新的研究路径。

Sep, 2023

我们扩展了当前语义通信的状况，使其能够同时处理多个任务。我们首先介绍了我们关于 “语义源” 的定义，其能够基于单个观察解释多个语义。然后介绍了一个语义编码器设计，其中编码器分为通用单元和多个特定单元，实现了协同多任务处理。模拟结果证明了提出的语义源和系统设计的有效性。我们的方法采用信息最大化和端到端设计原则。

Apr, 2024

本教程总结了从早期的语义感知和面向任务的通信开始，涵盖了其基础，算法和潜在实施，重点是利用信息理论提供基础以及学习在语义感知和面向任务的通信中的重要作用。

Jul, 2022

提出了一种新颖的语义通信系统，该系统采用共享的知识库，并利用共享的知识库中的消息和相应知识来获取剩余信息，从而实现更少符号的传输，并且在语义性能方面没有降级。

Nov, 2023