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

本文介绍了一种将模型训练和推断能力嵌入到网络边缘的边缘人工智能技术，为6G提供了一种优化网络效率、效果、隐私和安全的解决方案，并提出了新的无线网络设计原则、面向服务的资源分配优化方法、端到端的架构以支持边缘人工智能。

Nov, 2021

本研究提出了一种新的技术框架——NeSy AI，结合GFlowNet和优化问题解决方案，来学习生成6G系统数据，具有更高的语义可靠性，并通过验证实现了比传统通信系统更高效的、具有更好的数据推理能力的数据传输方式。

May, 2022

本研究提出了一种基于深度神经网络和迁移学习的语义通信系统，名为MR_DeepSC，此系统解决了多用户情况下应用语义通信的问题，并在低信噪比条件下实现了最佳性能。

Sep, 2022

大型语言模型的部署面临一些挑战，云部署方式会有长时间响应、高带宽成本和数据隐私问题。文章探讨了在6G边缘部署语言模型的潜力，介绍了多模态语言模型的关键应用，并提出了6G移动边缘计算的架构。此外，讨论了边缘训练和边缘推理的设计方面，提出了一些有效的技术以促进语言模型的高效部署。

Sep, 2023

本文对数据驱动介质访问控制（MAC）协议进行了新颖的分类，分为三个级别：第一级MAC，使用多智能体深度强化学习（MADRL）构建的面向任务的神经协议；第二级MAC，通过将第一级MAC的输出转化为明确符号来开发神经网络导向的符号协议；第三级MAC，利用大型语言模型（LLMs）和生成模型的语言导向的语义协议。通过这种分类，我们旨在探究每个级别的机遇和挑战，并从信息论和相关原理以及选定的案例研究中提供对数据驱动MAC协议的轨迹的见解，同时为未来的研究方向提供启示。

Oct, 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

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

在新兴的6G服务中，一切对一切的互动实现涉及大量的物理和数字实体，是一个重要的挑战。本文介绍了知识库管理与编排（KB-MANO）框架，旨在实现在资源有限的通信基础设施中进行有效服务实施，探索语义通信（SemCom）改善点对点物理层效率的潜力，并展示了KB-MANO与无线接入网络资源分配的集成。同时，强调了语义导向通信系统在6G技术领域的变革潜力以及未来研究方向。

Jun, 2024

本研究解决了6G网络中语义通信面临的深度学习模型安全性挑战，尤其是多样化攻击的防护不足。通过引入基于专家混合模型的语义通信系统，该系统利用自适应门控网络选择应对不同安全威胁的专家，实现了高效可靠的语义通信。案例研究表明，该系统在应对并发异构攻击时效果显著，并对下游任务准确性影响最小。

Sep, 2024