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

基于率失真理论，该研究提出一种创新方法，分析沟通和语义压缩引起的失真，以评估其对人工智能模型性能的影响，并预先估计 AI 任务的经验性准确性，从而使目标导向的语义沟通问题成为可能。

Sep, 2023

提出了一种实用的语义通信框架，通过理论心智（ToM）模拟接收者的神经网络，使用动态两级反馈机制实现有效的面向目标的信息共享，优化信道编码过程，提供语义反馈级别并减少比特量，从而实现高效的通信。

Nov, 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

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

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

该文论述了语义通信的概念和理论框架，重点探讨了基于深度学习的语义通信系统设计及其性能度量，最终提出若干该领域的待解决问题。

Dec, 2021

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

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