- 大型生成模型辅助的 3D 语义通信
6G 中一种新的数据传输范式为语义通信（SC），然而在 3D 情景中进行 SC 时存在几个挑战，包括 3D 语义提取、潜在语义冗余和不确定的信道估计。为了解决这些问题，我们提出了一种基于生成 AI 模型辅助的 3D SC（GAM-3DSC） - 基于自编码器的语义交流的领域学习与概念空间
使用 MNIST 和 CelebA 数据集，通过学习领域的概念空间模型以及高级属性标签，我们展示出了利用原始数据的框架来学习概念空间模型的可行性，并保持语义相似关系和可解释性维度。
- MM语义沟通与知识学习的相互作用
通过集成人工智能技术，本文介绍了以知识理解和处理为重点的语义通信（SemCom）在知识学习方面的应用，尤其关注知识图谱（KGs）的利用，提出了增强型 KGs 的 SemCom 系统，并探索了在不断演化的知识库中更有效地操作的潜在方法和与大型 - 生成 AI 遇见语义传播：通信任务的演变与革命
通过深度生成模型在语义通信中的应用，揭示了其在未来通信框架中的革命性作用，为新兴应用和任务提供了前所未有的机会，并分析了专门针对通信系统开发生成模型的挑战和机遇。
- 语义沟通的速率 - 失真 - 感知理论
通过研究符号畸变和语义感知限制下的语义通信数据率，提出了可实现的区域，并证明了一种随机编码方案可以实现该区域。对于给定的畸变和感知限制，推导了二进制语义信息源的闭合可实现速率，并验证了理论观察的实验结果。
- MM语义通信下的资源分配与物理层安全
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。
- 语义通信网络的自适应资源分配
我们提出了一种自适应语义资源分配方案，通过语义比特量化（SBQ）与现有无线通信兼容，解决了动态无线环境中由语义度量和传输度量之间的附加映射关系引入的环境感知不准确的问题，并通过联合优化基站的传输波束，语义表示的比特数，子信道分配和带宽资源分 - 基于 RIS 的空中语义通信 —— 一个衍射深度神经网络方法
通过使用可重新配置的智能表面和空中衍射深度神经网络的新方法，该文论述了基于 RIS 的空中语义通信，介绍了其系统模型、数据和控制流以及性能分析，并与传统硬件方法进行了比较。
- MM基于知识蒸馏的多用户语义通信
基于知识蒸馏的深度学习模型在语义通信系统中提高了模型鲁棒性和泛化能力，减小了模型尺寸压缩时的性能损失。
- 可扩展的车载网络语义通信的 AI 生成内容
本论文介绍了一种利用神经网络编码 - 解码架构的可扩展的人工智能生成内容系统，通过将图像转化为文本表示并优化传输以实现语义通信，从而提高对盲区车辆的感知能力和有效压缩通信数据。
- 知识库支持的语义通信：生成性观点
通过利用语义知识库（KB）开创性地引入生成式语义通信，本文解决了在实践中提供有效语义表达的挑战，从而显著提高通信效率。文章介绍了语义 KB 的基本原理，并通过构建源、任务和信道三个子 KB 的方式，开发出生成式语义通信体系结构。然后，详细描 - 基于深度学习的语义通信系统与共享知识库
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。
- 基于非对称扩散的通道自适应安全无线语义通信
通过扩散模型和深度强化学习（DRL）构建的 DiffuSeC 系统，解决了语义攻击中的安全问题，并且在不稳定的信道环境下展现出更高的鲁棒性和能够根据信噪比（SNR）迅速调整模型状态的能力。
- 一种由语义通信赋能的无线人工智能生成内容（AIGC）预配框架
提出了一种语义通信（SemCom）支持的生成式人工智能内容（SemAIGC）生成和传输框架，通过语义信息的提取和传输，解决了无线网络中提供优质 AIGC 服务的挑战，并采用资源感知的工作负载权衡（ROOT）方案进行计算资源的智能调整。仿真结 - 使用联邦学习训练语义沟通系统
通过利用用户数据来解决隐私问题，降低信息传输量并减少网络流量，我们在联邦学习设置中探索语义通信，并提出了一种称为 FedLol 的机制来聚合来自客户端的全局模型，与基线方法相比，详尽的模拟结果证明了我们提出的技术的有效性。
- 通过分布式学习实现韧性多用户语义通信的语义对齐
基于分布式学习和分层冻结的分割学习（SLF）方法在不同源数据和信道差异下，在分类准确率、重建误差以及从不对齐中理解预期语义的恢复时间方面，证实了在多个神经传输器之间实现语义对齐的有效性。
- 转变为绿色语义通信：更少能量，更多语义
语义通信是传输有意义和有效信息的目标，通过 “Energy-Optimized Semantic Loss”（EOSL）这种新型多目标损失函数，旨在解决平衡语义信息丢失和能量消耗的挑战，并通过基于 EOSL 的编码器模型选择在推理过程中实现 - 目标导向的语义通信与失真率弹性的联合通信和计算框架
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。
- 深度生成模型在语义交流中的增强 ——ICASSP 特别专题综述
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 - 通用 AI 辅助的无需联合训练的安全语义通信生成
提出了一种利用生成人工智能辅助的语义通信系统，采用多模型提示的方法来实现准确的内容解码，并通过生成扩散模型辅助进行覆盖通信，最终实现源信息的成功和安全传输。