IEEE Internet of Things Journal 语义通信与 DeepJSCC 调研（2023—至今）

论文主旨：然而,在水下域中的计算的有效实现必然是数据感测、传输和转发,这使得大量数据的传输在时间和功率方面都是昂贵的。 本文提出了一种自智能系统,能够有效地进行水下环境监测或水下调查的关键基础设施,通过使用语义通信范式,以降低由于水下信道传播条件的损害。 核心证据目标：FL模型达到的精度是迭代次数的函数。注意,SC曲线显著降低了传输时间,代表了减少水下环境对FL框架影响的有用解决方案。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：如今，下一代网络的一个雄心勃勃的目标是开发智能的总体空间-空气-地面-水计算系统，以提供一个智能的生态系统，能够有效地运行在异构域的计算。 PDF p.1
2. 仍然存在的问题：然而，在水下域中的计算的有效实现必然是数据感测、传输和转发，这使得大量数据的传输在时间和功率方面都是昂贵的。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：梯度或中间特征既大又易受噪声影响，通信错误会直接改变训练收敛或推理决策；这使空口聚合与任务 loss 必须一起考虑。 PDF p.1
5. 本文提出什么：本文提出了一种自智能系统，能够有效地进行水下环境监测或水下调查的关键基础设施，通过使用语义通信范式，以降低由于水下信道传播条件的损害。 PDF p.1
6. 方案为何可能有效：随后，本文开发了一个跨域（即，水和地面）FL框架，考虑和优化的数据收集过程中涉及的水下通信方面; ·语义通信方案的建议，以克服水下环境的关键性，使高效和有效的图像传输源于水下设备，并致力于跨域FL功能。 PDF p.2
7. 作者希望证明什么：FL模型达到的精度是迭代次数的函数。注意，SC曲线显著降低了传输时间，代表了减少水下环境对FL框架影响的有用解决方案。 PDF p.8

方法与端到端信息流

本文提出了一种自智能系统，能够有效地进行水下环境监测或水下关键基础设施的调查，通过使用语义通信范式，以减少由于水下信道传播条件的损害。（即水下和地面）FL框架，考虑并优化数据收集过程中涉及的水下通信方面;·提出了一种语义通信方案，以克服水下环境的关键性，使高效和有效的图像传输源于水下设备，并致力于跨域FL功能。因此，本文的贡献可以概括如下：设计和开发了一个地面-水下框架，用于执行从水下设备收集的数据，在SSBS上创建图像数据集，SSBS与地面SBS一起执行FL，并依次完成智能任务。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“连续神经 JSCC latent / 实复信道符号”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：SSBSs 的主传输单位属于“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.6

换算边界：连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 信道处理归类为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.6

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.2 PDF p.6

实验设置与主要结论

数据集为MNIST；指标包括accuracy、PER；信道/链路条件包括wireless channel。 PDF p.6

FL模型达到的精度是迭代次数的函数。注意，SC曲线显著降低了传输时间，代表了减少水下环境对FL框架影响的有用解决方案。 PDF p.8

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。

论文主旨：然而,其庞大的数据流和任务扩展的可扩展性引发了通信高效的分布式数据传输框架的迫切需求。 在本文中,受语义通信在带宽减少和任务适应方面的巨大优势的启发,我们提出了一种基于联邦学习(FL)的语义通信(FLSC)框架,用于物联网设备的多任务分布式图像传输。 核心证据目标：此外,特别是在低信噪比(SNR)和信道带宽比的制度,FLSC明显优于传统的方案,例如,约10峰值SNR增益在3 dB的信道条件。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：多节点通信是指多个设备之间的交互，在许多物联网（IoT）场景中引起了广泛的关注。 PDF p.1
2. 仍然存在的问题：然而，其庞大的数据流和任务扩展的可扩展性引发了通信高效的分布式数据传输框架的迫切需求。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：在本文中，受语义通信在带宽减少和任务适应方面的巨大优势的启发，我们提出了一种基于联邦学习（FL）的语义通信（FLSC）框架，用于物联网设备的多任务分布式图像传输。 PDF p.1
6. 方案为何可能有效：为了将FLSC扩展到更现实的环境中，我们设计了一个基于信道状态信息的多输入多输出传输模块来对抗信道衰落和噪声。 PDF p.1
7. 作者希望证明什么：此外，特别是在低信噪比（SNR）和信道带宽比的制度，FLSC明显优于传统的方案，例如，约10峰值SNR增益在3 dB的信道条件。 PDF p.1

方法与端到端信息流

本文借鉴语义通信在带宽缩减和任务自适应等方面的优势，提出了一种基于联邦学习的物联网设备多任务分布式图像传输语义通信框架，我们设计了一种基于信道状态信息的多输入多输出传输模块来对抗信道衰落和噪声，提出了一种基于联邦学习的语义通信框架。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“连续神经 JSCC latent / 实复信道符号”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Communication-Efficient Framework for Distributed Image Semantic Wireless Transmission 的主传输单位属于“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

我们考虑MIMO衰落信道，其中每个用户独立地拥有不同的CSI。 信道处理归类为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.3

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.3

实验设置与主要结论

数据集为MNIST；实验小节中明确出现的比较对象包括JPEG、JSCC、LDPC、ViT；指标包括PSNR、SSIM、MSE、accuracy、PER；信道/链路条件包括fading channel、MIMO、block fading；正文可定位的代表性工作点有SNR = 3 dB、SNR = 6 dB、SNR 18 dB。 PDF p.9

在低信噪比和低信道带宽条件下，FLSC的性能明显优于传统的信源信道编码方法，例如在3dB信道条件下，FLSC的峰值信噪比提高了10倍左右，在MIMO衰落条件下，FLSC的性能优于传统的信源信道编码方法，例如JPEG+ LDPC 1/2，尤其是在低信噪比条件下。 PDF p.1 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。

论文主旨：在QKD-SIC系统中,通过量子信道连接的边缘设备可以有效地加密来自语义源的语义信息,并将加密的语义信息安全地传输到语义目的地。 因此,为了降低边缘设备用户的成本,我们提出了一个用于边缘设备通信语义信息的QKD资源管理框架。 核心证据目标：实验结果表明,该框架可以减少部署成本约40%,与现有的非合作基线。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着对智能原生的6G网络中隐私和安全性的日益关注，有必要使用量子密钥分发安全语义信息通信（QKD-SIC）来保护机密数据。 PDF p.1
2. 仍然存在的问题：在QKD-SIC系统中，通过量子信道连接的边缘设备可以有效地加密来自语义源的语义信息，并将加密的语义信息安全地传输到语义目的地。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：因此，为了降低边缘设备用户的成本，我们提出了一个用于边缘设备通信语义信息的QKD资源管理框架。 PDF p.1
6. 方案为何可能有效：为了解决上述问题，我们提出了一个QKDsecured SIC（QKD-SIC）系统，以保护语义信息和公钥免受窃听攻击。 PDF p.2
7. 作者希望证明什么：实验结果表明，该框架可以减少部署成本约40%，与现有的非合作基线。 PDF p.1

方法与端到端信息流

因此，为了降低边缘设备用户的成本，我们提出了一种用于传输语义信息的边缘设备的QKD资源管理框架。为了解决上述问题，我们提出了一种QKD安全SIC（QKD-SIC）系统，以保护语义信息和公钥免受窃听攻击。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：QKD 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.10

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2 PDF p.10

实验设置与主要结论

论文未在可稳定定位的实验段落中同时给出数据集、baseline、信道和资源工作点；应以对应结果图页为准。 PDF p.10

实验结果表明，与现有的非合作基线相比，该框架可以降低部署成本约40%，这是由于上下界公式的变量数和约束数都比SP模型公式的复杂度低。 PDF p.1 PDF p.11

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：为了解决上述挑战,我们提出了一种新的架构,包括密集部署的水下全模拟生物降解传感器的基板,使持续感测和不断传输数据到表面的数字浮标。 核心证据目标：与传统HARQ相比,相关HARQ的每归一化延迟的长期吞吐量与轮次数的关系。不需要多轮传输并且不需要更多的重传;而传统方案将需要多得多的重传轮次来实现可靠传输。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：可靠和持续的水监测是智能水下物联网（UW IoT）中的一个具有挑战性的问题，因为它具有苛刻，未经探索和不可预测的性质。 PDF p.1
2. 仍然存在的问题：为了解决上述挑战，我们提出了一种新的架构，包括密集部署的水下全模拟生物降解传感器的基板，使持续感测和不断传输数据到表面的数字浮标。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为了解决上述挑战，我们提出了一种新的架构，包括密集部署的水下全模拟生物降解传感器的基板，使持续感测和不断传输数据到表面的数字浮标。 PDF p.1
6. 方案为何可能有效：我们提出了一种利用半导体器件特有的特性（特别是单个金属氧化物半导体场效应晶体管（MOSFET）晶体管的输入-输出关系）实现香农映射的超低功耗方法。 PDF p.2
7. 作者希望证明什么：与传统HARQ相比，相关HARQ的每归一化延迟的长期吞吐量与轮次数的关系。不需要多轮传输并且不需要更多的重传;而传统方案将需要多得多的重传轮次来实现可靠传输。 PDF p.10

方法与端到端信息流

为了应对上述挑战，我们提出了一种新的结构，它由密集部署的水下全模拟生物可降解传感器组成，能够持续感知并向水面数字浮标连续传输数据。我们提出了一种利用半导体器件特有的特性实现香农映射的超低功耗方法（特别是单个金属氧化物半导体场效应晶体管（MOSFET）晶体管的输入-输出关系）。我们提出了一种利用半导体器件特有的特性实现香农映射的超低功耗方法。（特别是单个金属氧化物半导体场效应晶体管（MOSFET）晶体管的输入-输出关系）。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

AJSCC电路设计：在水下动态信道中，需要自适应调整AJSCC参数，例如量化量φ。当量化误差最小时，较小的φ导致接收机处的MSE更好;然而，当寻求更高的分辨率时，它也导致传感器处的更高功耗（由于附加硬件）。 表示判定：High-Resolution Data Acquisition and Joint Source-Channel Coding in Underwater IoT 的主传输单位属于“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.3 PDF p.7

为了求出最终电压，我们使用一个4 × 1 MUX，将VC 3和s 0作为选择引脚，其中s 0是一个2 × 1 MUX的输出，将VC 2和VC 4作为输入，将VC 3作为选择引脚。 PDF p.4

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

AJSCC的输出数据是在水声衰落信道下进行调频（FM）调制和传输的，其中水声衰落信道包括在水下环境中采集的真实衰落信道（表示为h）和AWGN（表示为n）。 信道处理归类为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.2 PDF p.5

语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。 PDF p.2 PDF p.5

实验设置与主要结论

实验小节中明确出现的比较对象包括JSCC、FEC；指标包括MSE、accuracy、mAP、latency、throughput、BER、PER；信道/链路条件包括AWGN、fading channel、wireless channel；正文可定位的代表性工作点有SNR of 20 dB。 PDF p.7

与传统HARQ相比，相关HARQ的每归一化延迟的长期吞吐量与轮数的关系。而传统的方案需要更多的重传轮次才能实现可靠的传输，目标是通过使用适当的信道编码来减少通信开销和其它浮标的破坏性影响2，即，最小化P-P，从而提高性能。 PDF p.6 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,上述手工方案利用线性或固定的变换函数,其不能捕获源数据的分布信息。 针对面向任务和数据的联合语义通信(JTD-SC)提出了一种深度分离的信源信道编码(DSSCC)框架,并利用变分自编码器方法解决了语义失真的率失真问题。 核心证据目标：仿真结果表明,与经典压缩方案和新兴的深度联合信源信道方案相比,该方案在大多数情况下都能获得更好的编码增益以及数据恢复和分类性能。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信希望利用源数据的语义特征，以较少的频谱资源完成各种语义任务。 PDF p.1
2. 仍然存在的问题：然而，上述手工方案利用线性或固定的变换函数，其不能捕获源数据的分布信息。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：针对面向任务和数据的联合语义通信（JTD-SC）提出了一种深度分离的信源信道编码（DSSCC）框架，并利用变分自编码器方法解决了语义失真的率失真问题。 PDF p.1
6. 方案为何可能有效：本文的主要贡献概括如下：首先，我们提出了一个基于DSSCC的框架JTD-SC与一般的源数据和语义任务。 PDF p.2
7. 作者希望证明什么：仿真结果表明，与经典压缩方案和新兴的深度联合信源信道方案相比，该方案在大多数情况下都能获得更好的编码增益以及数据恢复和分类性能。 PDF p.1

方法与端到端信息流

本文提出了一种面向任务和数据的联合语义通信（JTD-SC）的深度分离信源信道编码（DSSCC）框架，并利用变分自编码器方法解决了语义失真的率失真问题。第一、我们提出了一个基于DSSCC的JTD框架，尽管上述DSSCC方案研究了不同的DNN架构以增强联合数据，压缩和语义恢复性能，它们不考虑整个系统的贝叶斯逻辑。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

对于前者，传统的有损压缩方案，例如JPEG，被DNN架构所取代，随后是量化和熵编码。然而，DJSCC方案中缺乏量化和星座图，这可能使其与现代通信硬件和标准化协议的兼容性降低。 表示判定：DSSCC 的主传输单位属于“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.11

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 2：语义特征映射为调制符号或编码包”。 信道处理归类为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.2 PDF p.11

语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。 PDF p.2 PDF p.11

实验设置与主要结论

数据集为CIFAR-10、ImageNet；实验小节中明确出现的比较对象包括JPEG、BPG、NTSCC、JSCC、SSCC、LDPC、ResNet；指标包括PSNR、SSIM、MS-SSIM、accuracy、mAP；信道/链路条件包括AWGN；正文可定位的代表性工作点有bandwidth ratio: 0.044、bandwidth ratio: 0.109。 PDF p.11

仿真结果表明，与经典压缩方案和新兴的信源信道深度联合方案相比，本文方案在大多数情况下都具有更好的编码增益、数据恢复和分类性能，例如当信道带宽比为0.4时，本文方案的编码容量分别比NTSCC和BPG方案高出1.5dB和2.7dB，分别 PDF p.1 PDF p.13

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：我们推导出一个最小均方误差(MMSE)解码器,该解码器同时考虑了编码格的多维结构和空间相关性。 一个基于格的模拟联合信源信道编码(JSCC)的方法被认为是在每个传感器使用$n$维格编码的连续源符号的矢量,然后发送到一个多天线中心节点。 核心证据目标：结果表明,在满足低延迟的限制,基于格的模拟JSCC提供性能增益和更高的可靠性相对于现有先进的JSCC计划。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：我们认为在无线传感器网络（WSN）中的空间相关的模拟信息的传输，通过衰落的单输入多输出（SIMO）多址接入信道（MAC）的低延迟的要求。 PDF p.1
2. 仍然存在的问题：我们推导出一个最小均方误差（MMSE）解码器，该解码器同时考虑了编码格的多维结构和空间相关性。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：一个基于格的模拟联合信源信道编码（JSCC）的方法被认为是在每个传感器使用$n$维格编码的连续源符号的矢量，然后发送到一个多天线中心节点。 PDF p.1
6. 方案为何可能有效：我们推导出一个最小均方误差（MMSE）解码器，该解码器同时考虑了编码格的多维结构和空间相关性。 PDF p.2
7. 作者希望证明什么：结果表明，在满足低延迟的限制，基于格的模拟JSCC提供性能增益和更高的可靠性相对于现有先进的JSCC计划。 PDF p.1

方法与端到端信息流

我们导出了一个同时考虑编码格的多维结构和空间相关性的最小均方误差（MMSE）译码器，我们导出了一个同时考虑编码格的多维结构和空间相关性的MMSE译码器。 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

用格划分或覆盖n维欧氏空间的不同可能性导致了代数中不同的众所周知的问题，例如球填充、覆盖填充或量化问题。基于格的量化一般来说，量化在于将n维空间划分为M个非它们中的每一个都由通常称为质心的表示点表示，质心将被解释为网格中的点。 表示判定：Lattice-Based Analog Mappings for Low-Latency Wireless Sensor Networks 的主传输单位属于“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.4 PDF p.5

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.11

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 2：语义特征映射为调制符号或编码包”。 信道处理归类为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.2 PDF p.11

语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。 PDF p.2 PDF p.11

实验设置与主要结论

实验小节中明确出现的比较对象包括JSCC、ViT；指标包括MSE、accuracy、mAP、latency；信道/链路条件包括Rayleigh、fading channel。 PDF p.11

结果表明，在满足低延迟约束的同时，基于格的模拟JSCC方案相对于现有的JSCC方案具有更高的性能和可靠性，克雷格的模拟JSCC方案使得线性方法（未编码传输）相对于OPTA的差距从10 dB减小到仅为2或3dB。 PDF p.1 PDF p.13

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,当大量的本地任务同时上传到服务器时,MEC的性能无法得到保证,造成网络拥塞。 为此,本文提出了一种面向MEC系统的语义感知的联合通信和计算资源分配框架。 核心证据目标：仿真实验表明提出的算法与未进行语义感知分配的算法相比,最高可降低41.8%的能量消耗。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：下一代网络中的移动的边缘计算（MEC）将在网络边缘提供计算服务，以丰富移动的设备的能力并延长其电池寿命。 PDF p.1
2. 仍然存在的问题：然而，当大量的本地任务同时上传到服务器时，MEC的性能无法得到保证，造成网络拥塞。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：为此，本文提出了一种面向MEC系统的语义感知的联合通信和计算资源分配框架。 PDF p.1
6. 方案为何可能有效：提出了一个基于语义的划分因子、通信和计算资源管理的联合优化问题。 PDF p.1
7. 作者希望证明什么：仿真实验表明提出的算法与未进行语义感知分配的算法相比，最高可降低41.8%的能量消耗。 PDF p.1

方法与端到端信息流

本文提出了一种面向MEC系统的语义感知的通信和计算资源联合分配框架，给出了一个基于语义感知的划分因子、通信和计算资源联合管理的优化问题，并在此基础上，研究了一种新的在线资源管理方案，其灵活地和机会主义地协调用于语义感知动态长期MEC系统的通信和计算资源。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Online Resource Allocation for Semantic-Aware Edge Computing Systems 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2

实验设置与主要结论

指标包括accuracy、energy efficiency、PER；信道/链路条件包括Rician、MIMO、OFDM。 PDF p.2

仿真实验表明提出的算法与未进行语义感知分配的算法相比，最高可降低41.8%的能量消耗。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：然而,这些方法可能导致系统性能不佳、复杂性增加和成本增加。 为了克服多个具有不同逻辑控制规则且共享基线动态的相关MLD系统所带来的挑战,我们提出了复合逻辑动态(CLD)-Koopman AE,作为MLD-Koopman AE可扩展性限制的补救措施。 核心证据目标：通过对大型倒立手推车-杆系统的仿真,验证了所提方法的有效性,表明与预测基线相比,所提方法的状态预测性能有了显著提高。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在本研究中，我们深入探讨在信号时序逻辑（STL）规范下运作的无线混合逻辑动态（MLD）系统的语意通信-控制协同设计（CoCoCo）的复杂性。 PDF p.1
2. 仍然存在的问题：然而，这些方法可能导致系统性能不佳、复杂性增加和成本增加。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：为了克服多个具有不同逻辑控制规则且共享基线动态的相关MLD系统所带来的挑战，我们提出了复合逻辑动态（CLD）-Koopman AE，作为MLD-Koopman AE可扩展性限制的补救措施。 PDF p.1
6. 方案为何可能有效：据我们所知，这是第一个工作，解决语义CoCoCo问题的影响，逻辑和动态控制系统。“ PDF p.3
7. 作者希望证明什么：通过对大型倒立手推车-杆系统的仿真，验证了所提方法的有效性，表明与预测基线相比，所提方法的状态预测性能有了显著提高。 PDF p.17

方法与端到端信息流

为了克服具有不同逻辑控制规则的多个相关MLD系统共享基线动态所带来的挑战，我们提出了复合逻辑动态（CLD）-Koopman AE，这是第一个解决语义CoCoCo问题的工作，该问题涉及控制系统中逻辑和动态的影响。仿真结果表明，在信噪比为10 dB、4-D条件下，所提出的多关联控制系统的平均状态预测能力提高了82.77%，同时通信样本数减少了76.65%，平均计算时间减少了27.70 PDF p.1 PDF p.2 PDF p.3

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：STL 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.11

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.11

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.11

实验设置与主要结论

指标包括MSE、accuracy、PER；信道/链路条件包括wireless channel；正文可定位的代表性工作点有SNR = 10 dB。 PDF p.11

通过对大型倒立手推车-杆系统的仿真，验证了所提方法的有效性，表明与预测基线相比，所提CLD-Koopman模型的状态预测性能有了显著的提高，而与单个MLD-Koopman模型相比，所提CLD-Koopman模型的计算时间有所减少，尤其是当系统数目增加时。 PDF p.16 PDF p.17

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：由于物理世界的动态性和不断发展的特点,在虚拟世界中实现同步更新需要大量的数据传输和交换。 本文提出了一种基于YOLO的语义通信框架来构建虚拟苹果果园,以降低数据传输的开销。 核心证据目标：仿真结果表明,所提出的语义通信框架和资源分配方案在提高通信服务中重要信息的传输质量的同时,显著降低了传输成本。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，增强/扩展/虚拟现实（AR/XR/VR）、区块链、第六代（6G）网络、人工智能（AI）和边缘计算等技术的进步，导致了对虚拟现实和数字世界的需求日益增长。 PDF p.1
2. 仍然存在的问题：由于物理世界的动态性和不断发展的特点，在虚拟世界中实现同步更新需要大量的数据传输和交换。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：本文提出了一种基于YOLO的语义通信框架来构建虚拟苹果果园，以降低数据传输的开销。 PDF p.1
6. 方案为何可能有效：本文的主要工作如下：·不同于传统的图像传输方法，本文提出了一种基于YOLO的语义通信框架。 PDF p.2
7. 作者希望证明什么：仿真结果表明，所提出的语义通信框架和资源分配方案在提高通信服务中重要信息的传输质量的同时，显著降低了传输成本。 PDF p.1

方法与端到端信息流

本文提出了一个基于YOLO的语义通信框架，用于构建虚拟苹果果园，以降低数据传输的开销，主要工作如下：·不同于传统的图像传输方式，本文提出了一种基于YOLO的语义通信框架，我们提出了一个案例研究，重点是使用真实的苹果数据集开发虚拟苹果果园。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：YOLO-Based 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.9

实验设置与主要结论

实验小节中明确出现的比较对象包括YOLO；指标包括accuracy、BER；信道/链路条件包括wireless channel。 PDF p.9

数值结果表明，本文提出的语义通信框架和资源分配方案在提高通信服务中重要信息的传输质量的同时，显著降低了传输开销，降低了通信开销的效果。 PDF p.1 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,由于RIS系统中存在大量的RIS单元以及不同RIS之间的协作通信,使得多RIS系统的联合波束形成设计变得更加复杂。 因此,本文提出一种有效的多RIS系统波束形成设计方法。 核心证据目标：算例仿真验证了所得条件的有效性和优越性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：工业4.0的到来，将工业物联网（IIoT）定位为未来工业的基石。 PDF p.1
2. 仍然存在的问题：然而，由于RIS系统中存在大量的RIS单元以及不同RIS之间的协作通信，使得多RIS系统的联合波束形成设计变得更加复杂。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：因此，本文提出一种有效的多RIS系统波束形成设计方法。 PDF p.1
6. 方案为何可能有效：该联合通信和计算问题被表述为一个优化问题，其目标是在总发射功率、相移、RIS-用户关联和语义压缩比约束下，最大化系统的语义感知传输速率之和。 PDF p.1
7. 作者希望证明什么：算例仿真验证了所得条件的有效性和优越性。 PDF p.1

方法与端到端信息流

为此，本文提出了一种多RIS系统中的波束赋形设计方法，该方法将通信和计算的联合问题描述为一个优化问题，其目标是在总发射功率、相移、RIS-用户关联和语义压缩比等约束条件下，使系统的语义感知传输速率之和最大化，并结合分布式RIS和语义通信的优点，摘要本文研究了一种分布式RISs辅助的概率语义通信（PSC）的联合通信和计算框架。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：RIS-Assisted 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2

实验设置与主要结论

指标包括latency。 PDF p.2

数值结果验证了所提算法的优越性，对于用户分布为1的情况，可以发现，两个RIS之间距离较小的分布式RIS比两个RIS之间距离较大的分布式RIS具有更高的性能。 PDF p.1 PDF p.8

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：然而,现有的语音语义通信方法没有考虑到接收方的语音感知和方法的复杂性,限制了语义通信方法的实际应用。 为此,本文提出了一种基于感知驱动的低复杂度语音语义通信方法。 核心证据目标：与现有的神经语义传输方法相比,在不影响语音质量的前提下,提高了传输效率,传输所需的符号数减少了60%。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来的研究表明，语义通信在提高传输速率方面表现良好，尤其是在低信噪比环境下。 PDF p.1
2. 仍然存在的问题：然而，现有的语音语义通信方法没有考虑到接收方的语音感知和方法的复杂性，限制了语义通信方法的实际应用。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：语音的可懂度、识别正确率与波形误差并不总是同步，少量包丢失也可能破坏整段语言内容；有限码率下应优先保护语言与说话人语义。 PDF p.1
5. 本文提出什么：为此，本文提出了一种基于感知驱动的低复杂度语音语义通信方法。 PDF p.1
6. 方案为何可能有效：具体地说，我们采用端到端的通信方法来传输源语音并在接收机处获得重构语音。 PDF p.1
7. 作者希望证明什么：与现有的神经语义传输方法相比，在不影响语音质量的前提下，提高了传输效率，传输所需的符号数减少了60%。 PDF p.1

方法与端到端信息流

本文提出了一种感知驱动的低复杂度语音语义通信方法，即采用端到端的通信方式传输源语音并在接收端获得重构语音，在此基础上，提出了一种主要关注接收者听觉感知的低复杂度语音到语音语义通信方法。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“连续神经 JSCC latent / 实复信道符号”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：A Perceptually Motivated Approach for Low-Complexity Speech Semantic Communication 的主传输单位属于“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.7

换算边界：连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

在AWGN信道和Rician信道下，训练丢失率随时间的变化，我们还发现Rician信道下的主观得分高于AWGN信道。 信道处理归类为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.8 PDF p.9

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.8 PDF p.9

实验设置与主要结论

数据集为LibriSpeech；实验小节中明确出现的比较对象包括DeepSC、DeepSC-S；指标包括MSE、STOI、PER；信道/链路条件包括AWGN、Rician、fading channel、wireless channel；正文可定位的代表性工作点有SNR = 8 dB、SNR = 0 dB、SNR = 10 dB。 PDF p.7

与现有的神经语义传输方法相比，在不影响语音质量的前提下，传输效率得到了提高，传输所需的符号数减少了60%，在两种信道条件下，PROPOSED METHOD的语音可懂度均优于DeepSC-S和传统METHOD。 PDF p.1 PDF p.7

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。

论文主旨：针对动态路况下海量图像数据的快速、准确处理和传输问题,提出了一种多场景目标检测语义通信(MTDSC)方法。 核心证据目标：实验结果表明,MTDSC能够有效地实现不同道路场景下的语义图像重建,即使在低码率和复杂场景下,也能保证关键信息的保留和高质量的图像重建。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着智能车辆网络成为现代交通系统不可或缺的一部分，在复杂的城市环境中对准确、高效的多场景目标检测的需求日益迫切。 PDF p.1
2. 仍然存在的问题：针对动态路况下海量图像数据的快速、准确处理和传输问题，提出了一种多场景目标检测语义通信（MTDSC）方法。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：针对动态路况下海量图像数据的快速、准确处理和传输问题，提出了一种多场景目标检测语义通信（MTDSC）方法。 PDF p.1
6. 方案为何可能有效：本研究的创新之处在于，不仅深化了图像语义处理的研究，更重要的是，针对人工神经网络中多场景目标检测的具体需求，提出了一种优化的语义通信方法。 PDF p.3
7. 作者希望证明什么：实验结果表明，MTDSC能够有效地实现不同道路场景下的语义图像重建，即使在低码率和复杂场景下，也能保证关键信息的保留和高质量的图像重建。 PDF p.1

方法与端到端信息流

针对动态路况下海量图像数据的快速、准确处理和传输的挑战，提出了多场景目标检测语义通信（MTDSC）方法，本研究的创新之处在于不仅深化了图像语义处理的研究，更重要的是，本文的创新之处在于不仅深化了对图像语义的研究，而且提出了一种新的基于图像语义的多场景目标检测方法本文提出了一种优化的语义通信方法，以满足虚拟网络中多场景目标检测的特殊需求。 PDF p.1 PDF p.3

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：A Semantic Communication Approach for Multiscene Target Detection in Intelligent Vehicle Networks 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

在本实验中，我们选择了四种不同的条件进行测试，分别表示为：条件1：低分辨率，图像分辨率为480×320;条件2：中分辨率，800×600;条件3：高分辨率，1920×1080;条件4：夜间或弱光条件。 PDF p.9

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为Cityscapes；实验小节中明确出现的比较对象包括JPEG、BPG、DQN、ETC；指标包括PSNR、SSIM、FID、KID、accuracy、mIoU、bpp；正文可定位的代表性工作点有0.2 bpp、0.1 bpp、0.16 bpp、1 bpp。 PDF p.9

实验结果表明，MTDSC能够有效地跨不同道路场景进行语义图像重建，即使在低比特率和复杂场景下，也能保证关键信息的保留和高质量的图像重建，在该场景下，MTDSC的mIoU值稳定在73.145%左右，仍优于其他方法。 PDF p.1 PDF p.9

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,在SIoT内确保高质量和可靠的数据传输仍然是一个重大挑战。 本文提出了一种基于自适应联邦深度学习的语义通信框架。 核心证据目标：仿真结果表明,与传统模型相比,该方法在低信噪比、低带宽环境下具有更好的适应性和更高的稳定性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信的引入为实现社交物联网中高效、可靠的信息传输提供了有效的解决方案。 PDF p.1
2. 仍然存在的问题：然而，在SIoT内确保高质量和可靠的数据传输仍然是一个重大挑战。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：梯度或中间特征既大又易受噪声影响，通信错误会直接改变训练收敛或推理决策；这使空口聚合与任务 loss 必须一起考虑。 PDF p.1
5. 本文提出什么：本文提出了一种基于自适应联邦深度学习的语义通信框架。 PDF p.1
6. 方案为何可能有效：第四节介绍了拟议框架的实施细节。 PDF p.2
7. 作者希望证明什么：仿真结果表明，与传统模型相比，该方法在低信噪比、低带宽环境下具有更好的适应性和更高的稳定性。 PDF p.1

方法与端到端信息流

在本文中，我们提出了一个基于自适应联邦深度学习的语义通信框架。第四节介绍了所提框架的实现细节。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Adaptive Federated Deep Learning-Based Semantic Communication in the Social Internet of Things 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.6

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.6

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.6

实验设置与主要结论

实验小节中明确出现的比较对象包括DQN；指标包括MSE、BLEU、mAP；信道/链路条件包括AWGN。 PDF p.6

仿真结果表明，与传统模型相比，本文提出的方法在低信噪比、低带宽环境下具有更好的适应性和更高的稳定性，但在低带宽环境下，自适应模型的性能优于大多数固定带宽模型。 PDF p.1 PDF p.6

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：传统协作推理的划分策略由于ViT的固有结构在整个Transformer编码器中保持一致的层维度而无法降低通信开销。 在边缘推理领域,提出了一种通信高效的协作推理框架,重点研究了视觉Transformer(ViT)模型的有效使用。 核心证据目标：实验结果表明,与ImageNet数据集上的服务器模型相比,所提出的协同推理框架可以在保证最小的准确性的前提下,减少68%的通信开销。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在边缘推理领域，提出了一种通信高效的协作推理框架，重点研究了视觉Transformer（ViT）模型的有效使用。 PDF p.1
2. 仍然存在的问题：传统协作推理的划分策略由于ViT的固有结构在整个Transformer编码器中保持一致的层维度而无法降低通信开销。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：在边缘推理领域，提出了一种通信高效的协作推理框架，重点研究了视觉Transformer（ViT）模型的有效使用。 PDF p.1
6. 方案为何可能有效：在我们提出的框架中，边缘设备利用其微小的模型来进行初始推理，而无需将图像传输到服务器。 PDF p.2
7. 作者希望证明什么：实验结果表明，与ImageNet数据集上的服务器模型相比，所提出的协同推理框架可以在保证最小的准确性的前提下，减少68%的通信开销。 PDF p.1

方法与端到端信息流

在边缘推理领域，提出了一种有效利用视觉变换器（ViT）模型的通信高效的协作推理框架。在该框架中，边缘设备利用其微小的模型进行初始推理，而不需要将图像传输到服务器。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：ViT 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.7

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.7

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.7

实验设置与主要结论

数据集为ImageNet；实验小节中明确出现的比较对象包括ViT；指标包括accuracy、classification accuracy、latency、PER。 PDF p.7

实验结果表明，与服务器模型相比，基于ImageNet数据集的协同推理框架可以减少68%的通信开销，而准确性损失最小。本节将深入探讨熵感知图像传输策略，该策略旨在通过考虑不同图像固有的不同分类难度来减少通信开销。 PDF p.1 PDF p.7

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：通过专注于数据的语义意义而不是位级恢复,它允许智能代理以低得多的速率传递必要的信息。 本文提出了一种DNRL方案,该方案将对比学习、稀疏编码和神经索引量化三种机制集成到一个连贯的框架中。 核心证据目标：实验结果显示,该方法能得到高度紧凑的连续潜在表示和语义离散表示,但分类精度略有下降.;

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信是物联网（IoT）的关键推动因素。 PDF p.1
2. 仍然存在的问题：通过专注于数据的语义意义而不是位级恢复，它允许智能代理以低得多的速率传递必要的信息。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：本文提出了一种DNRL方案，该方案将对比学习、稀疏编码和神经索引量化三种机制集成到一个连贯的框架中。 PDF p.1
6. 方案为何可能有效：问题陈述：我们的目标是探索是否以及如何设计深度神经网络（DNN）来解决符号接地问题。 PDF p.2
7. 作者希望证明什么：实验结果显示，该方法能得到高度紧凑的连续潜在表示和语义离散表示，但分类精度略有下降.; PDF p.1

方法与端到端信息流

本文提出了一个DNRL方案，它将三种机制集成到一个连贯的框架中：对比学习、稀疏编码和神经索引量化。问题陈述：我们的目标是探索是否以及如何设计深度神经网络（DNNs）来解决符号根植问题。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：显式数字语义表示：bit、离散 token 或码本 index

该文提出了一种DNRL方法，该方法将对比学习、稀疏编码和神经索引量化三种机制集成到一个统一的框架中，结果表明，该方法能够得到一个高度紧凑的连续潜在表示和一个语义离散表示，但分类精度略有下降。 表示判定：Classification-Driven Discrete Neural Representation Learning for Semantic Communications 的主传输单位属于“显式数字语义表示：bit、离散 token 或码本 index”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”。 信道处理归类为“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”。 PDF p.2

语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。 PDF p.2

实验设置与主要结论

数据集为MNIST；实验小节中明确出现的比较对象包括JPEG、ResNet；指标包括accuracy、classification accuracy、mAP、PER；正文可定位的代表性工作点有ber of 2048。 PDF p.2

实验结果表明，该方法能够产生高度紧凑的连续潜在表示和语义离散表示，但分类精度略有下降。首先，在所有三个数据集上，CL的分类精度都略高于CE。 PDF p.1 PDF p.7

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：首先,构建了一种新的电子语义通信信息时效性度量--语义峰值年龄(Peak Age of Semantics,PAoS),该度量涵盖了信息感知、语义压缩、语义传输和语义解码的整个生命周期。 其次,提出了一种基于Top-N2和混合知识统计驱动的模糊强化学习的感知和语义通信集成资源分配算法。 核心证据目标：最后,基于实际应用场景的仿真结果表明,与两种对比算法相比,所提算法的平均PAoS分别降低了4.72%和9.49%,最大PAoS分别降低了5.76%和13.57%。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：针对6G支持下配电网分层协调控制的关键问题，研究了传感与通信一体化资源分配问题。 PDF p.1
2. 仍然存在的问题：首先，构建了一种新的电子语义通信信息时效性度量--语义峰值年龄（Peak Age of Semantics，PAoS），该度量涵盖了信息感知、语义压缩、语义传输和语义解码的整个生命周期。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：其次，提出了一种基于Top-N2和混合知识统计驱动的模糊强化学习的感知和语义通信集成资源分配算法。 PDF p.1
6. 方案为何可能有效：首先，构建了一个适合配电网分层协同控制的6G电力语义通信框架。 PDF p.2
7. 作者希望证明什么：最后，基于实际应用场景的仿真结果表明，与两种对比算法相比，所提算法的平均PAoS分别降低了4.72%和9.49%，最大PAoS分别降低了5.76%和13.57%。 PDF p.1

方法与端到端信息流

其次，提出了一种基于Top-N2和混合知识统计驱动的模糊强化学习的感知和语义通信相结合的资源分配算法，初步构建了一个适合配电网分层协同控制的6G电力语义通信框架。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Electric Semantic Compression-Based 6G Wireless Sensing and Communication Integrated Resource Allocation 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.8

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2 PDF p.8

实验设置与主要结论

实验小节中明确出现的比较对象包括DQN；指标包括accuracy。 PDF p.8

最后，基于实际应用场景的仿真结果表明，与两种对比算法相比，该算法平均PAoS分别降低了4.72%和9.49%，最大PAoS分别降低了5.76%和13.57%，与DRL和CRRAUS相比，该算法平均PAoS分别降低了4.72%和9.49%，24 h最大PAoS分别降低5.76%和13.57%。 PDF p.1 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：然而,DeepJSCC面临着与信道衰落相关的挑战。 首先,本文提出了一种基于集成学习的DeepJSCC(DeepJSCC-ES)算法来抵抗信道衰落。 核心证据目标：仿真结果表明,所提出的DeepJSCC-ES系统性能优于基准DeepJSCC,尤其在低信噪比条件下表现优异。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：深度联合信源信道编码（DeepJSCC）是一种新兴的语义通信技术，是随着物联网对边缘设备需求的日益增长而出现的。 PDF p.1
2. 仍然存在的问题：然而，DeepJSCC面临着与信道衰落相关的挑战。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：首先，本文提出了一种基于集成学习的DeepJSCC（DeepJSCC-ES）算法来抵抗信道衰落。 PDF p.1
6. 方案为何可能有效：在本文中，我们致力于在配备传统数字系统的典型边缘设备上设计轻量级DeepJSCC系统。 PDF p.2
7. 作者希望证明什么：仿真结果表明，所提出的DeepJSCC-ES系统性能优于基准DeepJSCC，尤其在低信噪比条件下表现优异。 PDF p.1

方法与端到端信息流

首先，我们提出了一种基于集成学习的DeepJSCC（DeepJSCC-ES）方法来抵抗信道衰落，在本文中，我们致力于在传统数字系统的典型边缘设备上设计一个轻量级的DeepJSCC系统，在本文中，我们致力于在传统数字系统的典型边缘设备上设计一个轻量级的DeepJSCC系统。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：显式数字语义表示：bit、离散 token 或码本 index

在此基础上，提出了一种基于软量化函数的模拟定点量化训练方法（SFPQSQ），该方法能够较好地解决DeepJSCC与数字系统之间的兼容问题。 表示判定：DeepJSCC 的主传输单位属于“显式数字语义表示：bit、离散 token 或码本 index”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：数字语义变量接入调制、信道编码或 OFDM 链路

当Xc通过Rician信道发送时，Yc被接收。 信道处理归类为“类别 2：数字语义变量接入调制、信道编码或 OFDM 链路”。 PDF p.3

语义 decoder 实际面对的是：解调/信道译码后的 bit 或 index；残余错误是否进入语义 decoder 需单独判断。 PDF p.3

实验设置与主要结论

数据集为CIFAR-10；实验小节中明确出现的比较对象包括DeepJSCC、JSCC、YOLO；指标包括accuracy；信道/链路条件包括AWGN、Rician、fading channel；正文可定位的代表性工作点有SNR of 20 dB。 PDF p.9

仿真结果表明，DeepJSCC-ES系统的性能优于基线DeepJSCC，尤其是在低信噪比条件下表现出色。此外，DeepJSCC-ES在不同信噪比下的信道估计性能优于该模型。 PDF p.1 PDF p.8

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,现有语义通信的不可解释性在一定程度上阻碍了其实际应用。 为此提出了一种基于三元组的可解释语义通信(TESC)方案,用于高效地表示文本语义。 核心证据目标：实验结果表明:1)TESC方案在Top-1精度和传输效率方面优于基准方案; 2)与传统通信方法相比,TESC方案具有约150%的性能增益。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：面向任务的语义通信由于其能够在不牺牲任务性能的前提下减少数据传输量而受到越来越多的关注。 PDF p.1
2. 仍然存在的问题：然而，现有语义通信的不可解释性在一定程度上阻碍了其实际应用。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：一个 token 错误就可能改变整句含义，因此仅看 BER 不足以评价链路；必须追踪最终语言意义或任务输出。 PDF p.1
5. 本文提出什么：为此提出了一种基于三元组的可解释语义通信（TESC）方案，用于高效地表示文本语义。 PDF p.1
6. 方案为何可能有效：具体来说，我们开发了一种语义提取方法，将文本转换为三元组，同时使用句法依赖分析，以提高语义的完整性。 PDF p.1
7. 作者希望证明什么：实验结果表明：1）TESC方案在Top-1精度和传输效率方面优于基准方案; 2）与传统通信方法相比，TESC方案具有约150%的性能增益。 PDF p.1

方法与端到端信息流

本文提出了一种基于三元组的可解释语义通信（TESC）方案，用于有效地表示文本语义。具体地，我们开发了一种语义提取方法，将文本转换为三元组，同时使用句法依赖分析来增强语义完整性。本文提出了一种新的基于三元组的可解释语义通信（TESC）方案，用于文本任务，其可有效地过滤冗余信息以减少传输的数据量。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：数字压缩 bitstream 或量化 feature；无线接口未纳入研究

值得注意的是，我们已经采用了8位量化。此外，所提出的TESC方案，只需要1.14 MB，通过使用8位参数量化实现了大量的空间节省，这与依赖于32位量化的现有方法形成了显著的对比。 表示判定：Explainable Semantic Communication for Text Tasks 的主传输单位属于“数字压缩 bitstream 或量化 feature；无线接口未纳入研究”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.8 PDF p.11

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.8

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 1：数字压缩后默认可靠传输/存储

传统方法：为了分别执行信源和信道编码，我们使用霍夫曼编码进行信源编码，使用RS编码进行信道编码，使用16-QAM进行调制，然后基于恢复的文本执行任务。 信道处理归类为“类别 1：数字压缩后默认可靠传输/存储”。 这些传统信道编码/调制条目若只属于 baseline，不改变所提语义接收机默认可靠输入的分类。 PDF p.8

语义 decoder 实际面对的是：无误码 bitstream 解码后的 latent/图像/特征。 PDF p.8

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepJSCC、DeepSC、JSCC；指标包括accuracy、PER；信道/链路条件包括AWGN、Rayleigh、fading channel、wireless channel；正文可定位的代表性工作点有SNR of 5 dB。 PDF p.8

实验结果表明：1）TESC方案在Top-1精度和传输效率方面优于基准; 2）与传统通信方法相比，TESC方案的性能提高了约150%。值得注意的是，所提出的TESC方案在整个SNR范围内始终优于DeepJSCC。 PDF p.1 PDF p.9

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,ISC需要合适的设备和足够的计算资源来支持复杂的神经网络模型,这是一个重大挑战。 为了解决这个问题,我们提出了一个联邦语义特征提取(FedSFD)架构,以提高ISC的全局性能相结合的联邦学习(FL)和特征提取(FD)的特征知识转移。 核心证据目标：仿真实验表明,与基线算法相比,该算法在组ISC重建中具有更好的ISC重建效果和噪声鲁棒性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：从第五代移动的通信（5G）到超5G（B5 G）的演进将导致物联网（IoT）中更普遍和更智能的范例。 PDF p.1
2. 仍然存在的问题：然而，ISC需要合适的设备和足够的计算资源来支持复杂的神经网络模型，这是一个重大挑战。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为了解决这个问题，我们提出了一个联邦语义特征提取（FedSFD）架构，以提高ISC的全局性能相结合的联邦学习（FL）和特征提取（FD）的特征知识转移。 PDF p.1
6. 方案为何可能有效：其次，我们将信息瓶颈（IB）的概念，损失函数的设计，以平衡压缩和重建。 PDF p.1
7. 作者希望证明什么：仿真实验表明，与基线算法相比，该算法在组ISC重建中具有更好的ISC重建效果和噪声鲁棒性。 PDF p.1

方法与端到端信息流

为了解决这个问题，本文提出了一种联合语义特征提取（FedSFD）结构，通过联合学习（FL）和特征提取（FD）来实现特征知识的传递，从而提高ISC的全局性能。其次，我们将信息瓶颈（IB）的概念引入到损失函数的设计中，以平衡压缩和重构。在损失函数设计中引入了信息瓶颈的思想，在图像压缩和重建性能之间进行了折衷。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“连续神经 JSCC latent / 实复信道符号”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：KD-Assisted 的主传输单位属于“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 信道处理归类为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为CIFAR-10、ImageNet；实验小节中明确出现的比较对象包括JSCC、FedAvg；指标包括PSNR、SSIM、MSE、accuracy。 PDF p.9

最后，通过仿真实验表明，与基线方法相比，本文方法在组ISC中具有更好的ISC重建效果和噪声鲁棒性，最终性能略优于其他两种方法。 PDF p.1 PDF p.11

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。

论文主旨：然而,在共享和有限的容量范围内满足这些高度严格的要求对科学界构成了巨大的挑战。 在本文中,我们提出了一个架构和多种选择,以实现过滤和源代码的目标为导向的车辆通信。 核心证据目标：我们的研究结果表明,面向目标的通信,执行作为组合的布鲁姆过滤和面向目标的源编码,可以大大有助于不仅减少高达30%的能源消耗,但也减少延迟,这反过来又增加了支持量的延迟敏感的流量高达819.2%。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：车联网（V2X）网络将成为未来几代蜂窝网络的重要应用，必将改变我们对交通系统的概念。 PDF p.1
2. 仍然存在的问题：然而，在共享和有限的容量范围内满足这些高度严格的要求对科学界构成了巨大的挑战。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：在本文中，我们提出了一个架构和多种选择，以实现过滤和源代码的目标为导向的车辆通信。 PDF p.1
6. 方案为何可能有效：我们选择了Bloom过滤器（BF）作为过滤消息的方法，并认为驱动BF的过滤规则是由ML/DL 2技术指导的人工智能（AI）过程的结果。 PDF p.2
7. 作者希望证明什么：我们的研究结果表明，面向目标的通信，执行作为组合的布鲁姆过滤和面向目标的源编码，可以大大有助于不仅减少高达30%的能源消耗，但也减少延迟，这反过来又增加了支持量的延迟敏感的流量高达819.2%。 PDF p.1

方法与端到端信息流

在本文中，我们提出了一个架构和多种选择，以实现面向目标的车辆通信的过滤和源代码。我们选择了布隆过滤器（BF）作为过滤消息的方法，并认为驱动BF的过滤规则是由ML/DL 2技术指导的人工智能（AI）过程的结果。更具体地说，在GO通信的背景下，我们提出使用两种互补技术：滤波和信源编码。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Goal-Oriented Source Coding and Filtering for Vehicular Communications 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.12

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.12

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.12

实验设置与主要结论

指标包括throughput、PER。 PDF p.12

我们的研究结果表明，以目标为导向的通信，作为布卢姆过滤和目标为导向的源编码的组合，可以大大有助于不仅减少高达30%的能源消耗，但也减少延迟，这反过来又将延迟敏感流量的支持量增加了819.2%一旦我们知道如何根据K配置无损编码器以具有我们可以预期的有界延迟和压缩增益，我们就评估V2X网络中的源编码器在与没有源编码的基线场景相比时的效果。 PDF p.1 PDF p.12

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,这也对需要高效和鲁棒地传输视频数据的通信链路提出了挑战,特别是在物联网场景中。 我们评估我们的方法在标准的视频测试序列,并与传统的无线视频编码方法进行比较。 核心证据目标：结果表明,MDVSC在质量指标上普遍优于传统方法,并具有精确控制码长的能力。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文介绍了一种新的方法来传输视频数据在有噪声的无线信道具有高效率和可控性。 PDF p.1
2. 仍然存在的问题：然而，这也对需要高效和鲁棒地传输视频数据的通信链路提出了挑战，特别是在物联网场景中。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：视频持续占用带宽且具有严格时延，单帧错误还会跨帧传播；通信系统必须同时处理时序一致性、资源占用和渐进退化。 PDF p.1
5. 本文提出什么：我们评估我们的方法在标准的视频测试序列，并与传统的无线视频编码方法进行比较。 PDF p.1
6. 方案为何可能有效：然后，在通信带宽受限的情况下，提取共同特征和个体特征，并应用语义重要性编码进一步消除冗余语义信息。 PDF p.1
7. 作者希望证明什么：结果表明，MDVSC在质量指标上普遍优于传统方法，并具有精确控制码长的能力。 PDF p.1

方法与端到端信息流

在标准视频测试序列上对该方法进行了评估，并与传统的无线视频编码方法进行了比较，提取了共同特征和个体特征，并在通信带宽受限的情况下，采用语义重要性编码进一步消除了冗余语义信息，即该系统取代了MEMC系统，基于共同-个体特征。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

在对输入的GOP进行直接编码之前，系统首先将其转换到潜在空间中，形成潜在表示Lg，然后由JSCC编码器从潜在表示Lg中提取语义特征，并输出语义特征映射Yg。 表示判定：MDVSC 的主传输单位属于“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.4

我们将GOP大小设置为6，并将整个GOP的帧随机裁剪为256 × 256像素。因此，我们对H.264和H.265都使用可伸缩视频编码（SVC），调整其比特率以匹配信道容量，以确保无损视频传输。 PDF p.8 PDF p.9

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

如上所述，本文主要使用AWGN和衰落信道，但也可以通过改变该层来嵌入其他信道模型。 信道处理归类为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.8

语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。 PDF p.8

实验设置与主要结论

数据集为Cityscapes、UVG、HEVC；实验小节中明确出现的比较对象包括H.264、H.265、JSCC、LDPC；指标包括PSNR、SSIM、MS-SSIM、mAP；信道/链路条件包括AWGN、fading channel、wireless channel；正文可定位的代表性工作点有SNR = 15 dB、SNR 10 dB。 PDF p.10

结果表明，MDVSC在质量指标上优于传统方法，具有精确控制码长的能力，其性能优于H. 264的传输效率组合，并缩小了与H. 265的差距。 PDF p.1 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,在高度移动的车辆网络中,可靠且有效的模型训练变得非常具有挑战性。 为解决该问题,提出一种新的基于车辆任务卸载场景的移动感知分裂-联邦迁移学习(MSFTL)框架。 核心证据目标：特别地,为了进一步降低训练成本和适应车辆机动场景,提出了一种基于Stackelberg博弈的高机动性训练资源优化机制。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：因此，有效地解决增强未来车载网络的通信效率、可靠性和QoS的挑战成为支持6G的车载网络正在进行的演进中的中心关注点。 PDF p.1
2. 仍然存在的问题：然而，在高度移动的车辆网络中，可靠且有效的模型训练变得非常具有挑战性。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：梯度或中间特征既大又易受噪声影响，通信错误会直接改变训练收敛或推理决策；这使空口聚合与任务 loss 必须一起考虑。 PDF p.1
5. 本文提出什么：为解决该问题，提出一种新的基于车辆任务卸载场景的移动感知分裂-联邦迁移学习（MSFTL）框架。 PDF p.1
6. 方案为何可能有效：据我们所知，没有先前的有效学习框架能够在实时移动的车辆卸载环境中更新语义编码器模型，同时寻址Q1-Q3。 PDF p.2
7. 作者希望证明什么：特别地，为了进一步降低训练成本和适应车辆机动场景，提出了一种基于Stackelberg博弈的高机动性训练资源优化机制。 PDF p.1

方法与端到端信息流

为了解决这些问题，本文提出了一种基于车辆任务卸载场景的移动感知分裂-联邦迁移学习框架（MSFTL）.据我们所知，目前还没有一种有效的学习框架能够在实时移动的车辆卸载环境中更新语义编码器模型的同时，同时处理Q1-Q3.据我们所知，没有先前的有效学习框架能够在实时移动的车辆卸载环境中更新语义编码器模型，同时寻址Q1-Q3。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Mobility-Aware Split-Federated With Transfer Learning for Vehicular Semantic Communication Networks 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.7

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.7

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2 PDF p.7

实验设置与主要结论

指标包括accuracy、latency。 PDF p.7

特别地，我们提出了一种基于Stackelberg博弈的高移动性训练资源优化机制，以进一步降低训练成本和适应车辆移动性场景。然而，我们提出的MSFTL收敛速度和最终损失值实现了非常显着的优于CL，并达到几乎相似的收敛速度。 PDF p.1 PDF p.9

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：针对端到端通信系统中动态信道条件和设备移动性带来的挑战,提出了一种优化框架。 核心证据目标：数值实验结果表明,与传统贪婪算法相比,本文方法在不同的系统设置下具有更好的性能。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着边缘计算的普及，边缘设备上的高效人工智能推理对于智能应用（如自动驾驶汽车和虚拟/增强现实）已变得至关重要。 PDF p.1
2. 仍然存在的问题：针对端到端通信系统中动态信道条件和设备移动性带来的挑战，提出了一种优化框架。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：针对端到端通信系统中动态信道条件和设备移动性带来的挑战，提出了一种优化框架。 PDF p.1
6. 方案为何可能有效：我们的方法建立在现有方法的基础上，通过利用语义知识库来驱动多级特征传输，在整个传输过程中考虑时间因素、状态转换和动态元素。 PDF p.1
7. 作者希望证明什么：数值实验结果表明，与传统贪婪算法相比，本文方法在不同的系统设置下具有更好的性能。 PDF p.1

方法与端到端信息流

针对端到端通信系统中动态信道条件和设备移动性带来的挑战，提出了一种基于语义知识库的多层次特征传输优化方法，该方法充分考虑了传输过程中的时间因素、状态转换和动态元素，并将该问题描述为一个在线优化问题，使用马尔可夫链来对识别样本的状态转移建模。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Multilevel Feature Transmission in Dynamic Channels: A Semantic Knowledge Base and Deep-Reinforcement-Learning-Enabled Approach 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

系统在多级中间特征与最终类别标签之间自适应选择发送层级，并用即时传输率 R(i) 把所选表示的数据量换算为时延。论文报告的是 feature level、传输率和端到端 latency/accuracy 权衡，没有给出量化位宽、码本或逐帧 bitstream；因此不能把网络张量维度直接解释为空口 bit 数。 PDF p.6

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.8

实验设置与主要结论

实验小节中明确出现的比较对象包括SAC；指标包括accuracy、classification accuracy、latency、PER。 PDF p.8

数值结果显示，在使用开源数据集的各种系统设置中，与传统贪婪方法相比，我们的方法具有优越性。DRL算法始终优于两个基线，在所有设置中实现了显著降低的平均语义损失和更高的准确性。 PDF p.1 PDF p.8

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,实现6G UAV网络的集成多模通信提出了以下几个实际挑战。 受语义沟通过程的启发,我们将高级无人机任务的成功执行视为语义识别和务实执行。 核心证据目标：所提出的方案和模型实现了通信、感知和计算的深度集成,最终提高了无人机的实际任务执行能力。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在6G空地一体化网络中，通过一体化多模态通信完成复杂任务的过程面临着无人机带来的挑战，如通信、存储和计算能力有限，以及存在异构的无人机多模态信息和载体。 PDF p.1
2. 仍然存在的问题：然而，实现6G UAV网络的集成多模通信提出了以下几个实际挑战。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：受语义沟通过程的启发，我们将高级无人机任务的成功执行视为语义识别和务实执行。 PDF p.1
6. 方案为何可能有效：受语义沟通过程的启发，我们将高级无人机任务的成功执行视为语义识别和务实执行。 PDF p.1
7. 作者希望证明什么：所提出的方案和模型实现了通信、感知和计算的深度集成，最终提高了无人机的实际任务执行能力。 PDF p.1

方法与端到端信息流

受语义沟通过程的启发，我们将高级无人机任务的成功执行视为语义识别和务实执行。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Multimodal Virtual Semantic Communication for Tiny-Machine-Learning-Based UAV Task Execution 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2

实验设置与主要结论

实验小节中明确出现的比较对象包括ETC；指标包括accuracy、latency、energy efficiency、BER；信道/链路条件包括wireless channel。 PDF p.2

所提出的方案和模型实现了通信、感知和计算的深度集成，最终提高了无人机的实际任务执行能力。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：然而,所有上述语义通信系统都旨在完成单个AI任务。 为此,首先将MTSC问题描述为一个同时考虑语义提取率和多个人工智能任务失真的率失真问题。 核心证据目标：在多个数据集上的实验结果表明,该方法可以减少40%~ 50%的传输开销,并使多任务性能提高7.6%。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信作为下一代通信的新范式，旨在为人工智能（AI）任务传输语义符号。 PDF p.1
2. 仍然存在的问题：然而，所有上述语义通信系统都旨在完成单个AI任务。 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：没有定义清楚的语义目标和资源坐标，就无法判断收益来自通信机制还是更换了数据集、模型或评价指标。 PDF p.1
5. 本文提出什么：为此，首先将MTSC问题描述为一个同时考虑语义提取率和多个人工智能任务失真的率失真问题。 PDF p.1
6. 方案为何可能有效：为此，首先将MTSC问题描述为一个同时考虑语义提取率和多个人工智能任务失真的率失真问题。 PDF p.1
7. 作者希望证明什么：在多个数据集上的实验结果表明，该方法可以减少40%~ 50%的传输开销，并使多任务性能提高7.6%。 PDF p.1

方法与端到端信息流

为此，我们首先将MTSC问题描述为一个同时考虑语义提取率和多个人工智能任务的失真度的率失真问题，由此可以得出一个面向多任务的语义通信方案，通过提取语义来完成多个智能任务，具有重要的研究价值。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：extended 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.9

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

AWGN信道被解释为模型中的一个层。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.5

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.5

实验设置与主要结论

实验小节中明确出现的比较对象包括LDPC、QAM；指标包括IoU；信道/链路条件包括AWGN。 PDF p.9

在多个数据集上的实验结果表明，该方法可以减少40%~ 50%的传输开销，多任务性能提高7.6%，检测和分割性能分别比STB提高了2.21%和6.67%。 PDF p.1 PDF p.8

通信价值、局限与 Codex 判断

该工作位于“语义信息理论与性能度量”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：然而,现有的研究通常忽略了移动的设备上有限的计算和存储资源,这可能使其无法负担实现资源需求高的基于深度学习(DL)的语义编码器/解码器。 为了解决这些问题,我们在本文中提出了一种新的架构,称为语义中继(SemRelay),它作为边缘服务器为两类边缘用户提供DL启用的SemCom(DeepSC)服务,称为具有丰富计算资源的语义用户(SemUsers)和具有有限资源的传统用户(ConUsers)。 核心证据目标：最后,通过数值仿真验证了所提算法的有效性,并与传统的解码转发中继相比,所提SemRelay具有更优的性能,尤其是在小带宽区域。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：为了解决这些问题，我们在本文中提出了一种新的架构，称为语义中继（SemRelay），它作为边缘服务器为两类边缘用户提供DL启用的SemCom（DeepSC）服务，称为具有丰富计算资源的语义用户（SemUsers）和具有有限资源的传统用户（ConUsers）。 PDF p.1
2. 仍然存在的问题：然而，现有的研究通常忽略了移动的设备上有限的计算和存储资源，这可能使其无法负担实现资源需求高的基于深度学习（DL）的语义编码器/解码器。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：一个 token 错误就可能改变整句含义，因此仅看 BER 不足以评价链路；必须追踪最终语言意义或任务输出。 PDF p.1
5. 本文提出什么：为了解决这些问题，我们在本文中提出了一种新的架构，称为语义中继（SemRelay），它作为边缘服务器为两类边缘用户提供DL启用的SemCom（DeepSC）服务，称为具有丰富计算资源的语义用户（SemUsers）和具有有限资源的传统用户（ConUsers）。 PDF p.1
6. 方案为何可能有效：此外，一个优化问题，制定联合设计的SemRelay发射功率分配和系统带宽分配，以最大限度地提高所有用户的加权和速率。 PDF p.1
7. 作者希望证明什么：最后，通过数值仿真验证了所提算法的有效性，并与传统的解码转发中继相比，所提SemRelay具有更优的性能，尤其是在小带宽区域。 PDF p.1

方法与端到端信息流

为了解决上述问题，我们提出了一种新的体系结构，称为语义中继（SemRelay），它充当边缘服务器，为两类边缘用户（称为语义用户）提供支持DL的SemCom（DeepSC）服务（SemUsers）拥有丰富的计算资源和传统用户（ConUsers）的能力，用公式表示优化问题以联合设计SemRelay发射功率分配和系统带宽分配以最大化所有用户的加权和速率。所提出的具有边缘学习能力的SemRelay不同于传统的针对比特传输而设计的解码转发（DF）中继，因为它可以通过利用其丰富的计算资源来执行基于DL的语义传输和解码。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：semantic 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.9

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepSC；指标包括accuracy、latency、semantic similarity、PER；信道/链路条件包括Rician、fading channel。 PDF p.9

最后，数值仿真结果表明了所提算法的有效性和SemRelay的更优的性能，特别是在小带宽情况下，与传统的DF/AF中继相比，SemRelay具有更高的频谱利用率，但与异构用户或仅有SemUsers的系统相比，SemRelay会有一定的性能损失。 PDF p.1 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,峰值信噪比和多尺度结构相似性指数等图像相似性评价指标主要关注图像的像素或结构特征,难以准确度量传输过程中语义级信息的丢失。 针对这一问题,提出了一种新的语义评价指标--语义相似度评分(SeSS)。 核心证据目标：实验结果表明,SeSS能够有效地度量图像间语义信息的差异,为视觉语义通信系统的评价提供了一种有价值的工具。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着物联网技术的高速发展，越来越多的传感器需要在复杂的信道场景和有限的通信资源下工作。 PDF p.1
2. 仍然存在的问题：然而，峰值信噪比和多尺度结构相似性指数等图像相似性评价指标主要关注图像的像素或结构特征，难以准确度量传输过程中语义级信息的丢失。 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：针对这一问题，提出了一种新的语义评价指标--语义相似度评分（SeSS）。 PDF p.1
6. 方案为何可能有效：本文设计了一种迭代图匹配算法来计算对象-关系图之间的匹配分数，该匹配分数是图像之间最终的语义相似性度量。 PDF p.5
7. 作者希望证明什么：实验结果表明，SeSS能够有效地度量图像间语义信息的差异，为视觉语义通信系统的评价提供了一种有价值的工具。 PDF p.1

方法与端到端信息流

针对这一问题，提出了一种新的语义评价指标--语义相似度（Semantic Similarity Score，SeSS），设计了一种迭代图匹配算法来计算对象-关系图之间的匹配度，其是图像之间的最终语义相似性度量。 PDF p.1 PDF p.5

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Semantic Similarity Score for Measuring Visual Similarity at Semantic Level 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.4

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.4 PDF p.9

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.4 PDF p.9

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.4 PDF p.9

实验设置与主要结论

实验小节中明确出现的比较对象包括JPEG、JPEG2000、BPG、JSCC、LDPC、CLIP；指标包括PSNR、SSIM、MS-SSIM、LPIPS、accuracy、bpp、PER；信道/链路条件包括AWGN；正文可定位的代表性工作点有under 5dB SNR。 PDF p.9

实验结果表明，SeSS在测量图像之间的语义级信息的差异的有效性，使其成为一个有价值的工具，用于评估视觉语义通信系统。平均而言，人类注释的分数略低于算法分数不到0.2。 PDF p.1 PDF p.8

通信价值、局限与 Codex 判断

该工作位于“语义信息理论与性能度量”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：然而,这些研究都集中在特定的Metaverse环境中,缺乏对Metaverse系统的动态特性及其在不同Metaverse环境中的不同通信和计算资源需求的考虑。 在本文中,我们提出了一种基于语义感知的无人机架构,该架构是为动态Metaverse量身定制的,它利用了由集合无人机和边缘无人机服务器组成的无人机群。 核心证据目标：仿真结果表明,该方法有效地优化了无人机服务器的位置和任务分配,显著减少了新任务的训练时间,提高了网络在动态环境下的稳定性和效率,同时减少了拥塞。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近几年来，随着智能设备的广泛应用，Metaverse得到了快速发展。 PDF p.1
2. 仍然存在的问题：然而，这些研究都集中在特定的Metaverse环境中，缺乏对Metaverse系统的动态特性及其在不同Metaverse环境中的不同通信和计算资源需求的考虑。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：XR 与三维感知的数据量极大而交互时延敏感；以更少信道使用保住几何和任务关键对象，会直接降低空口负担。 PDF p.1
5. 本文提出什么：在本文中，我们提出了一种基于语义感知的无人机架构，该架构是为动态Metaverse量身定制的，它利用了由集合无人机和边缘无人机服务器组成的无人机群。 PDF p.1
6. 方案为何可能有效：利用粒子群优化算法（PSO）和Q学习算法，研究了不同Metaverse环境下无人机布局和任务分配问题。 PDF p.2
7. 作者希望证明什么：仿真结果表明，该方法有效地优化了无人机服务器的位置和任务分配，显著减少了新任务的训练时间，提高了网络在动态环境下的稳定性和效率，同时减少了拥塞。 PDF p.1

方法与端到端信息流

本文提出了一种基于语义感知的无人机架构，该架构利用了由无人机集合和边缘无人机服务器组成的无人机群，并利用粒子群优化算法（PSO）和Q学习算法研究了不同Metaverse环境下的无人机布局和任务分配问题。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：LDF-DPTAA 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.9

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2 PDF p.9

实验设置与主要结论

指标包括mAP、latency、throughput、PER。 PDF p.9

仿真结果表明，该方法有效地优化了无人机服务器的位置和任务分配，显著减少了新任务的训练时间，提高了网络在动态环境下的稳定性和效率，同时减少了拥塞，未进行移动优化的奖励始终低于移动优化，LL始终优于基本学习者NAC。 PDF p.1 PDF p.11

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：频谱稀缺和高网络流量的挑战 我们提出了一种语义感知的频谱共享(SSS)算法,使用深度强化学习(DRL)和软演员-评论家(SAC)方法。 核心证据目标：实验结果表明,SSS算法的性能优于其他基线算法,包括基于传统通信的频谱共享算法和采用其他强化学习方法的频谱共享算法。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文研究了高速移动的车联网（IoV）中的语义通信，重点研究了车对车（V2 V）和车对基础设施（V2 I）通信之间的频谱共享。 PDF p.1
2. 仍然存在的问题：频谱稀缺和高网络流量的挑战 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：我们提出了一种语义感知的频谱共享（SSS）算法，使用深度强化学习（DRL）和软演员-评论家（SAC）方法。 PDF p.1
6. 方案为何可能有效：我们设计了一种基于DRL SAC方法的语义感知频谱共享算法（SSS），以最大限度地提高V2 I的高速语义频谱效率（HSSE），并提高V2 V链路有效语义信息传输（SRS）的成功率1。 PDF p.2
7. 作者希望证明什么：实验结果表明，SSS算法的性能优于其他基线算法，包括基于传统通信的频谱共享算法和采用其他强化学习方法的频谱共享算法。 PDF p.1

方法与端到端信息流

提出了一种基于深度强化学习（DRL）和软行动者-批评者（SAC）方法的语义感知频谱共享（SSS）算法。为了最大化V2 I的高速语义频谱效率（HSSE），提高V2 V链路有效语义信息传输（SRS）的成功率，我们设计了一种基于DRL SAC方法的语义感知频谱共享算法（SSS）。基于DRL SAC方法的感知频谱共享算法（SSS），以最大化V2 I的高速语义频谱效率（HSSE），并提高V2 V链路的有效语义信息传输（SRS）的成功率1。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Semantic-Aware Spectrum Sharing in Internet of Vehicles Based on Deep Reinforcement Learning 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.9

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2 PDF p.9

实验设置与主要结论

实验小节中明确出现的比较对象包括SAC、DDPG；指标包括MSE、latency、throughput、PER。 PDF p.9

实验结果表明，SSS算法的性能优于其他基线算法，包括基于传统通信的频谱共享算法和采用其他强化学习方法的频谱共享算法，在第一集，探索率在初始训练的80%降低，然后保持在一个恒定的水平。 PDF p.1 PDF p.8

通信价值、局限与 Codex 判断

该工作位于“语义信息理论与性能度量”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：然而,任务数据的实时传输需要大量的无线资源,使得这种方法有些不切实际,这将危及无线网络的正常操作,导致不必要的网络拥塞、浪费的资源利用和过度的能量消耗。 针对面向任务通信中的信源信道联合优化问题,设计了时间精度退化(Timeeliness-Accuracy Degradation,简称TD-SCDMA)度量指标来衡量传输信源的价值。 核心证据目标：数值实验结果表明,所设计的方案能有效地提高任务性能,验证了算法的低复杂度和稳定性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着实时智能任务对通信需求的爆炸式增长，移动的通信正从传统的通信方式向面向任务的通信方式转变，传输的数据也从无差别传输向面向价值的传输方式转变。 PDF p.1
2. 仍然存在的问题：然而，任务数据的实时传输需要大量的无线资源，使得这种方法有些不切实际，这将危及无线网络的正常操作，导致不必要的网络拥塞、浪费的资源利用和过度的能量消耗。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：针对面向任务通信中的信源信道联合优化问题，设计了时间精度退化（Timeeliness-Accuracy Degradation，简称TD-SCDMA）度量指标来衡量传输信源的价值。 PDF p.1
6. 方案为何可能有效：针对面向任务通信中的信源信道联合优化问题，设计了时间精度退化（Timeeliness-Accuracy Degradation，简称TD-SCDMA）度量指标来衡量传输信源的价值。 PDF p.1
7. 作者希望证明什么：数值实验结果表明，所设计的方案能有效地提高任务性能，验证了算法的低复杂度和稳定性。 PDF p.1

方法与端到端信息流

本文研究了面向任务通信中的信源-信道联合优化问题，设计了实时性-准确性退化（Timeeliness-Accuracy Degradation，简称TD-SCDMA）度量来衡量传输信源的价值，特别是通过求解信源-信道联合优化问题来优化视频传输性能。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Source Value-Based Resource Allocation in Task-Oriented Communications 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.9

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2 PDF p.9

实验设置与主要结论

实验小节中明确出现的比较对象包括DQN、DDPG；指标包括accuracy；信道/链路条件包括wireless channel。 PDF p.9

数值实验结果表明，所设计的方案能有效地提高任务性能，验证了算法的低复杂度和稳定性。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：然而,在有限的系统资源,额外的计算工作量仍然带来了所有参与者的语义信息提取和恢复。 在这项工作中,我们提出了一个优化的基于ML的DT同步框架,以最大限度地减少无人机辅助边缘计算环境中的同步延迟,考虑虚拟能量赤字队列稳定性的时间平均约束。 核心证据目标：此外,DRLS算法可以实现高达57.14%的同步能量减少与代表性的同步策略相比。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信是无人机（UAV）辅助边缘计算环境中数字孪生（DT）同步的新兴范例，其中机器学习（ML）模型被部署在边缘服务器和UAV上作为语义编码器和解码器以执行实时同步。 PDF p.1
2. 仍然存在的问题：然而，在有限的系统资源，额外的计算工作量仍然带来了所有参与者的语义信息提取和恢复。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：在这项工作中，我们提出了一个优化的基于ML的DT同步框架，以最大限度地减少无人机辅助边缘计算环境中的同步延迟，考虑虚拟能量赤字队列稳定性的时间平均约束。 PDF p.1
6. 方案为何可能有效：由于共存的微小ML为基础的语义通信，语义提取因子被引入到制定DT同步问题的时间平均时间最小化问题。 PDF p.1
7. 作者希望证明什么：此外，DRLS算法可以实现高达57.14%的同步能量减少与代表性的同步策略相比。 PDF p.1

方法与端到端信息流

在这项工作中，我们提出了一个优化的基于微小ML的DT同步框架，以最大限度地减少无人机辅助边缘计算环境中的同步延迟，考虑虚拟能量赤字队列稳定性的时间平均约束。由于微小ML的语义通信共存，引入语义提取因子，将DT同步问题公式化为时间-为了充分探索语义通信的好处，我们在无人机辅助边缘计算环境中开发了一个基于tinyML的语义通信的DT同步框架。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：UAV-Assisted 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

在基于OFDMA的通信系统中，子信道被预先分配给每个UAV用于同步数据传输。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.5

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.5

实验设置与主要结论

实验小节中明确出现的比较对象包括OFDM；指标包括accuracy、latency、throughput、energy efficiency、PER；信道/链路条件包括OFDM、wireless channel。 PDF p.2

仿真结果表明，与无语义通信的UECS（UAV-edge collaborative synchronization）方案相比，DRLS算法平均可降低8.23%的DT同步延迟和15.31%的同步数据丢失率。 PDF p.1 PDF p.2

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,这对物联网设备提出了重大挑战,因为图像数据通常很大,并且对它们的能量和带宽资源有固有的限制。 该系统使IoT设备能够从基站收集能量,利用该收集的能量来提取和传输语义信息(例如,场景图)。 核心证据目标：在真实的数据集上的仿真结果表明,与基线方案相比,本文提出的算法具有更优的性能。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在这项工作中，我们考虑在资源受限的物联网（IoT）系统中整合能量收集（EH）和语义通信策略。 PDF p.1
2. 仍然存在的问题：然而，这对物联网设备提出了重大挑战，因为图像数据通常很大，并且对它们的能量和带宽资源有固有的限制。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：该系统使IoT设备能够从基站收集能量，利用该收集的能量来提取和传输语义信息（例如，场景图）。 PDF p.1
6. 方案为何可能有效：为了最大限度地将图像数据或场景图传输到中心站，我们制定了一个综合问题，该问题联合优化了EH持续时间，原始图像选择，发射功率和物联网设备的信道分配。 PDF p.1
7. 作者希望证明什么：在真实的数据集上的仿真结果表明，与基线方案相比，本文提出的算法具有更优的性能。 PDF p.1

方法与端到端信息流

该系统使物联网设备能够从基站获取能量，并利用获取的能量提取和传输语义信息为了最大化到中心站的图像数据或场景图的总传输，我们用公式表示一个综合问题，该综合问题联合优化EH持续时间、原始图像选择、发射功率以及向物联网设备的信道分配。我们用公式表达了一个优化问题，该优化问题旨在通过联合优化EH持续时间、原始图像和三元组之间的选择、发送功率和向物联网设备的信道分配来最大化发送到BS的总图像数据。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Wireless Power Transfer Meets Semantic Communication For Resource-Constrained IoT Networks: A Joint Transmission Mode Selection and Resource Management Approach 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.8

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2 PDF p.8

实验设置与主要结论

实验小节中明确出现的比较对象包括CLIP、PPO、DQN；指标包括MSE、accuracy。 PDF p.8

在真实的数据集上进行的仿真结果清楚地表明，与基线方案相比，我们提出的算法具有更优的性能。 PDF p.1 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：为了克服上述缺陷,本文提出了一种混合联邦学习(Hybrid-FL)框架,在保护用户隐私的同时减轻用户的计算负担。 核心证据目标：实验结果表明,与传统FL算法相比,Hybrid-FL算法的准确率提高了20%,延迟减少了80%。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在现有的基于深度学习的语义通信系统中，语义模型的集中式训练存在隐私泄露的风险，而分布式训练给用户设备（UE）带来了巨大的计算负担。 PDF p.1
2. 仍然存在的问题：为了克服上述缺陷，本文提出了一种混合联邦学习（Hybrid-FL）框架，在保护用户隐私的同时减轻用户的计算负担。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：为了克服上述缺陷，本文提出了一种混合联邦学习（Hybrid-FL）框架，在保护用户隐私的同时减轻用户的计算负担。 PDF p.1
6. 方案为何可能有效：具体地，每个UE将局部梯度和语义符号上传到基站，用于全局和局部语义模型的协作训练。 PDF p.1
7. 作者希望证明什么：实验结果表明，与传统FL算法相比，Hybrid-FL算法的准确率提高了20%，延迟减少了80%。 PDF p.1

方法与端到端信息流

为解决该问题，提出了一种混合联邦学习方法（Hybrid-FL）框架来减轻UE的计算负担，同时保护用户隐私。具体地，每个UE将局部梯度和语义符号上传到基站，用于全局和局部语义模型的协作训练。贡献和组织在本文中，我们提出了一种混合FL（Hybrid-FL）框架来增强分布式UE之间的面向任务的SC的训练，同时通过将计算任务部分地从UE卸载到BS来减少等待时间。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：A Hybrid Federated Learning Framework for Task-Oriented Semantic Communication 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.11

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

注意，子信道仅用于聚合梯度参数的一维，而OFDM符号包含用于AirComp的At，0个子信道。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.5

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.5

实验设置与主要结论

数据集为CIFAR-10、Cityscapes；实验小节中明确出现的比较对象包括OFDM；指标包括accuracy、latency；信道/链路条件包括OFDM。 PDF p.11

实验结果表明，与传统FL相比，Hybrid-FL的准确率提高了20%，延迟降低了80%，并充分利用了BS的计算资源，减少了训练延迟，实现了时间关键场景下的实时决策。 PDF p.1 PDF p.11

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,由于有限的计算资源,在诸如物联网(IoT)设备之类的资源受限环境中实现语义通信系统仍然具有挑战性。 本文提出了一种新的轻量级深度学习模型--轻量级图像压缩与重构网络(LICRnet)。 核心证据目标：大量的仿真实验表明,LICRnet算法在保持良好的图像压缩和重构性能的同时,显著降低了计算复杂度,非常适合在资源受限的环境中部署。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信是信息时代日益增长的数据传输需求的有效解决方案。 PDF p.1
2. 仍然存在的问题：然而，由于有限的计算资源，在诸如物联网（IoT）设备之类的资源受限环境中实现语义通信系统仍然具有挑战性。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：本文提出了一种新的轻量级深度学习模型--轻量级图像压缩与重构网络（LICRnet）。 PDF p.1
6. 方案为何可能有效：本文提出了一种新的轻量级深度学习模型--轻量级图像压缩与重构网络（LICRnet）。 PDF p.1
7. 作者希望证明什么：大量的仿真实验表明，LICRnet算法在保持良好的图像压缩和重构性能的同时，显著降低了计算复杂度，非常适合在资源受限的环境中部署。 PDF p.1

方法与端到端信息流

本文提出了一种新的轻量级深度学习模型--轻量级图像压缩与重构网络（LICRnet）。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

dependency层为每个输入特征映射使用单个内核。 表示判定：lightweight 的主传输单位属于“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

发送端以压缩控制量 R 将图像 x 映射为连续 semantic code z=E_{θ_e}(x,R)，再经衰落与噪声信道发送。论文用压缩比/连续 latent 维度调节带宽，没有定义 VQ、每维量化 bit 或 index-to-bit 链路，因此只能比较 R 或 channel uses，不能从模型输出直接换算帧级 bitstream。 PDF p.2 PDF p.3

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 2：语义特征映射为调制符号或编码包”。 信道处理归类为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.2 PDF p.3

语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。 PDF p.2 PDF p.3

实验设置与主要结论

数据集为ImageNet、Kodak、CLIC；指标包括PSNR、SSIM、MS-SSIM、MSE、mAP；信道/链路条件包括Rician、wireless channel。 PDF p.3

大量的模拟实验表明，LICRnet在保持令人满意的图像压缩和重建性能的同时，显著降低了计算复杂度，使其非常适合在资源受限的环境中部署。与使用固定或移动窗口注意力的先前工作不同，我们的VW-MSA基于特征分辨率自适应地缩放窗口大小，能够在高分辨率下进行细粒度的细节提取，并在低分辨率下进行全局表示，同时显著降低注意力开销。 PDF p.1 PDF p.2

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,现实世界的通信系统比上述理想模型复杂得多。 此外,为了提高训练效率,我们提出了一个预训练计划和部分再训练计划,快速调整神经网络参数时,新的用户被添加到MAC。 核心证据目标：在经典信息论中,连续干扰消除(SIC)方案是一种常用的抑制干扰和获得信道容量的方法。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：作为这一领域的开创性工作，深度学习支持的语义通信（DeepSC）构成了一种基于transformer的新型算法框架，transformer是一种广泛用于数字处理文本的深度学习工具。 PDF p.1
2. 仍然存在的问题：然而，现实世界的通信系统比上述理想模型复杂得多。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：一个 token 错误就可能改变整句含义，因此仅看 BER 不足以评价链路；必须追踪最终语言意义或任务输出。 PDF p.1
5. 本文提出什么：此外，为了提高训练效率，我们提出了一个预训练计划和部分再训练计划，快速调整神经网络参数时，新的用户被添加到MAC。 PDF p.1
6. 方案为何可能有效：与专注于点对点传输的DeepSC相反，这项工作扩展了基于Transformer的MAC信道中多用户通信的语义提取，并将SIC方案纳入其中。 PDF p.2
7. 作者希望证明什么：在经典信息论中，连续干扰消除（SIC）方案是一种常用的抑制干扰和获得信道容量的方法。 PDF p.1

方法与端到端信息流

此外，为了提高训练效率，我们提出了一种预训练方案和一种部分再训练方案，当新用户添加到MAC时，该方案可以快速调整神经网络参数。与专注于点对点传输的DeepSC相反，这项工作将基于Transformer的语义提取扩展到MAC信道中的多用户通信，与专注于点对点传输的DeepSC相反，这项工作扩展了基于Transformer的语义提取，用于MAC信道中的多用户通信，其中SIC方案被并入。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：A Semantic Approach to Successive Interference Cancellation for Multiple Access Networks 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

然而，我们在这里采用了语义解码器，而不是传统的基于概率的解码器（如LDPC或信息论的典型性解码器）。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.6

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.6

实验设置与主要结论

数据集为Europarl；实验小节中明确出现的比较对象包括LDPC、Polar、QAM；指标包括BLEU、semantic similarity；信道/链路条件包括AWGN、Rayleigh、fading channel。 PDF p.9

在经典信息论中，连续干扰消除（SIC）方案是抑制干扰和获得信道容量的常用方法，绿色线表示无预训练模型的训练，它以更高的损耗开始，降低得更慢，最终以比预训练方法更高的损耗结束。 PDF p.1 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,随着新兴和日益复杂的应用程序的出现,如虚拟接收2025年7月13日;修订2025年9月1日;接受2025年9月11日。 在本文中,我们提出了一个语义通信系统,旨在满足不同的语音应用程序的要求,同时使准确的语音传输。 核心证据目标：这些系统的目标不仅是通过减少传输数据来减轻系统负担,而且还要适应新的复杂要求。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着下一代网络应用的日益复杂和多种服务需求的共存，基于生成人工智能（GAI）和大模型（LM）的语义通信被广泛认为是解决这些挑战的有前途的解决方案。 PDF p.1
2. 仍然存在的问题：然而，随着新兴和日益复杂的应用程序的出现，如虚拟接收2025年7月13日;修订2025年9月1日;接受2025年9月11日。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：语音的可懂度、识别正确率与波形误差并不总是同步，少量包丢失也可能破坏整段语言内容；有限码率下应优先保护语言与说话人语义。 PDF p.1
5. 本文提出什么：在本文中，我们提出了一个语义通信系统，旨在满足不同的语音应用程序的要求，同时使准确的语音传输。 PDF p.1
6. 方案为何可能有效：语义编码器包括用于学习通用语音表示的无监督模型wav 2 vec 2.0，以实现跨各种语音相关任务的适应性。 PDF p.1
7. 作者希望证明什么：这些系统的目标不仅是通过减少传输数据来减轻系统负担，而且还要适应新的复杂要求。 PDF p.1

方法与端到端信息流

本文提出了一种语义通信系统，该系统在保证语音传输准确性的同时，还能满足语音应用的各种需求。语义编码器包含一个用于学习通用语音表示的无监督模型wav2vec2.0，以实现对各种语音相关任务的适应性。基于这些优点，该工作提出了一种无监督的语义语音通信系统，其克服了传统的基于DNN的方法的限制，并且提供了更灵活和可推广的解决方案。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“连续神经 JSCC latent / 实复信道符号”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：A Universal Speech Semantic Communication Framework for Multitask Applications Based on Unsupervised Models 的主传输单位属于“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.7

换算边界：连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 信道处理归类为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.7

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.2 PDF p.7

实验设置与主要结论

数据集为TIMIT；实验小节中明确出现的比较对象包括Polar、QAM；指标包括CER、PESQ、STOI、BER；正文可定位的代表性工作点有SNR of 5 dB、SNR of 20 dB。 PDF p.7

这些系统的目标不仅是通过减少传输数据来减轻系统负担，而且还能适应新的复杂要求。对于SNR值超过20 dB的情况，性能始终保持较高。 PDF p.1 PDF p.8

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。

论文主旨：然而,大多数现有的语义通信框架只是将预先训练好的DNN划分为两个子网,分别部署在发送端和接收端,忽略了下游任务对源数据特征压缩的重要影响。 为了进一步优化语义通信模型的性能,提出了一种基于解缠信息瓶颈的语义通信框架(DIB-DeepSC),通过分离和解耦源数据中的无关信息,提高模型的推理精度,从而更大程度地压缩与下游任务执行相关的有效信息,降低通信开销。 核心证据目标：为了进一步优化语义通信模型的性能,提出了一种基于解缠信息瓶颈的语义通信框架(DIB-DeepSC),通过分离和解耦源数据中的无关信息,提高模型的推理精度,从而更大程度地压缩与下游任务执行相关的有效信息,降低通信开销。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文探讨了源数据压缩对通信系统接收端任务执行性能的影响，以及信道环境变化对语义编码特征的干扰和影响。 PDF p.1
2. 仍然存在的问题：然而，大多数现有的语义通信框架只是将预先训练好的DNN划分为两个子网，分别部署在发送端和接收端，忽略了下游任务对源数据特征压缩的重要影响。 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：为了进一步优化语义通信模型的性能，提出了一种基于解缠信息瓶颈的语义通信框架（DIB-DeepSC），通过分离和解耦源数据中的无关信息，提高模型的推理精度，从而更大程度地压缩与下游任务执行相关的有效信息，降低通信开销。 PDF p.1
6. 方案为何可能有效：在第三节中，我们基于构建的DIB-DeepSC框架设计了相关模块的损耗函数。 PDF p.3
7. 作者希望证明什么：为了进一步优化语义通信模型的性能，提出了一种基于解缠信息瓶颈的语义通信框架（DIB-DeepSC），通过分离和解耦源数据中的无关信息，提高模型的推理精度，从而更大程度地压缩与下游任务执行相关的有效信息，降低通信开销。 PDF p.1

方法与端到端信息流

为了进一步优化语义通信模型的性能，语义通信框架该模型通过分离和解耦源数据中的无关信息，提高了模型的推理精度，从而更大程度地压缩了与下游任务执行相关的有效信息，降低了通信开销。在构建的DIB-DeepSC框架的基础上，设计了相关模块的损失函数，与传统的IB框架设计相比，DIB-DeepSC具有更强的信息压缩能力，能够更有效地提取任务相关信息。 PDF p.1 PDF p.2 PDF p.3

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：DIB-DeepSC 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.10

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2 PDF p.10

实验设置与主要结论

数据集为CIFAR-10、DIV2K；实验小节中明确出现的比较对象包括DeepJSCC、DeepSC、JSCC；指标包括accuracy、classification accuracy；信道/链路条件包括MIMO；正文可定位的代表性工作点有SNR of 20 dB、SNR of 27.30 dB、compression ratio of 320。 PDF p.10

为了进一步优化语义通信模型的性能，DIB-DeepSC（DIB-DeepSC），通过分离和解耦源数据中的无关信息，提高模型的推理精度，从而更大程度地压缩与下游任务执行相关的有效信息，图中描绘的数据清楚地表明，随着SNR的变化，由我们提出的方案实现的通信模块的接收端端处的重建图像质量显著优于其他两个方案（即，DeepJSCC和VFE），具有大约1dB或更高的优势裕度。 PDF p.1 PDF p.12

通信价值、局限与 Codex 判断

该工作位于“语义信息理论与性能度量”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：然而,深度学习模型固有的封闭性导致从数据中提取的语义特征与特定任务之间缺乏可解释性。 基于这一局限性,本文提出了一种具有修正和推理功能的n元关系语义通信系统NRSC-CR。 核心证据目标：大量仿真结果表明,NRSC-CR在理解复杂关系语义、信道鲁棒性和数据传输效率方面具有优势。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：得益于机器学习尤其是深度学习的快速发展和广泛应用，现有的语义通信系统能够在发送方高效提取与通信任务相关的语义信息，并在接收方准确恢复语义信息。 PDF p.1
2. 仍然存在的问题：然而，深度学习模型固有的封闭性导致从数据中提取的语义特征与特定任务之间缺乏可解释性。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：基于这一局限性，本文提出了一种具有修正和推理功能的n元关系语义通信系统NRSC-CR。 PDF p.1
6. 方案为何可能有效：针对这些问题，构造了一种基于n元关系的语义通信系统的纠错算法和推理算法。 PDF p.2
7. 作者希望证明什么：大量仿真结果表明，NRSC-CR在理解复杂关系语义、信道鲁棒性和数据传输效率方面具有优势。 PDF p.1

方法与端到端信息流

针对这一局限性，本文提出了带修正和推理的n元关系语义通信系统（NRSC-CR），针对这些问题，提出了基于n元关系的语义通信系统的修正算法和推理算法，针对这些问题，提出了基于n元关系的语义通信系统的修正算法和推理算法。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“连续神经 JSCC latent / 实复信道符号”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：NRSC-CR 的主传输单位属于“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

基于Benchmarks-4和NRSC的方法的性能在AWGN信道下分别在1.5和3dB处超过DeepSC的性能，并且在Rayleigh信道下分别在6和4dB处超过DeepSC的性能。此外，随着SNR降低，NRSC与Benchmarks-4相比的准确度的改善继续增加，从AWGN信道下18 dB处的4.19%增加到-3dB处的16.68%。瑞利信道下18 dB时为5.36%，-3dB时为16.93%。 信道处理归类为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.9

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.9

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepSC、Turbo；指标包括accuracy、latency；信道/链路条件包括AWGN、Rayleigh、wireless channel；正文可定位的代表性工作点有SNR=18 dB。 PDF p.9

大量的仿真结果表明，NRSC-CR在理解复杂关系语义、信道鲁棒性和数据传输效率方面具有优势。因此，在低信噪比下，Benchmarks-4和NRSC优于DeepSC。 PDF p.1 PDF p.9

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。

论文主旨：在本文设定中,现有方法不能同时满足“视频传输、生成或控制”的语义目标与通信、计算或资源约束;后续方案需要补齐这一具体瓶颈。 因此,我们提出了一个跨层加密语义通信(CLESC)框架的全景视频传输,结合特征提取,编码,加密,循环冗余校验(CRC),和重传过程,以实现语义通信和传统的通信系统之间的兼容性。 核心证据目标：与传统的和基于人工智能(AI)的视频源编码传输方案相比,我们提出的CLESC在低信噪比(SNR)条件下实现了上级传输性能。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信和传统的移动的通信系统之间的兼容性仍然是一个重大的挑战。 PDF p.1
2. 仍然存在的问题：在本文设定中，现有方法不能同时满足“视频传输、生成或控制”的语义目标与通信、计算或资源约束；后续方案需要补齐这一具体瓶颈。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：视频持续占用带宽且具有严格时延，单帧错误还会跨帧传播；通信系统必须同时处理时序一致性、资源占用和渐进退化。 PDF p.1
5. 本文提出什么：因此，我们提出了一个跨层加密语义通信（CLESC）框架的全景视频传输，结合特征提取，编码，加密，循环冗余校验（CRC），和重传过程，以实现语义通信和传统的通信系统之间的兼容性。 PDF p.1
6. 方案为何可能有效：为了验证上述框架，我们设计了一个端到端的自适应全景视频语义传输（APVST）网络，该网络利用深度联合信源信道编码（JSCC）结构和注意力机制，集成了纬度自适应模块，便于自适应语义特征提取和全景视频的可变长度编码。 PDF p.1
7. 作者希望证明什么：与传统的和基于人工智能（AI）的视频源编码传输方案相比，我们提出的CLESC在低信噪比（SNR）条件下实现了上级传输性能。 PDF p.1

方法与端到端信息流

因此，我们提出了一种跨层加密语义通信（CLESC）框架，用于全景视频传输，结合特征提取、编码、加密、循环冗余校验（CRC）和重传过程，以实现语义通信与传统通信系统的兼容。为了验证上述框架，我们设计了一个端到端的自适应全景视频语义传输（APVST）网络，该网络利用了深度联合信源信道编码（JSCC）结构和注意机制，与纬度自适应模块集成，该纬度自适应模块便于全景视频的自适应语义特征提取和可变长度编码。具体地，我们框架中的链路层根据语义信息的重要性动态调整资源分配和差错控制策略（以下称为语义重要性）。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

将特征图与加权空间注意力图相乘得到加权空间注意力特征图，利用神经网络强大的学习能力，将权值图融合到特征图中。 表示判定：APVST 的主传输单位属于“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.9 PDF p.10

论文以每帧调制符号数 k_t 定义平均信道带宽比 CBR=(1/T)∑_t k_t/(3HW)，并在实验中使用 CBR=0.03 等工作点。该指标反映数字调制符号占用；完整空口代价还受 LDPC 码率、调制阶数、HARQ 重传次数、侧信息和包头影响，论文将平均重传次数另作结果指标。 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

在不同的信道条件下选择合适的调制方式可以在误码率和传输速度之间取得平衡，保证数据传输的可靠性和效率，设hk，t表示时隙t处子载波k的信道衰落，nk，t表示AWGN，其被建模为均值和方差均为零的高斯随机变量Nk，t，即nk，t <$N（0，Nk，t）。 信道处理归类为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.6

语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。 PDF p.6

实验设置与主要结论

数据集为HEVC；实验小节中明确出现的比较对象包括H.264、H.265、HEVC、DeepJSCC、NTSCC、JSCC、LDPC、OFDM、FEC；指标包括PSNR、SSIM、LPIPS、accuracy、mAP、latency、PER；信道/链路条件包括Rayleigh、fading channel、MIMO、OFDM、wireless channel；正文可定位的代表性工作点有SNR = 2 dB、SNR of 2 dB、CBR = 0.03。 PDF p.11

在相同 CBR、SNR 和平均重传条件下，CLESC 与 APVST、DVST、DCVC、H.264/H.265 比较 WS-PSNR、WS-SSIM 和 LPIPS。H.265/DCVC 在高信道质量下压缩效率更强；当 SNR 降至约 9 dB 以下时，语义方案退化更平滑，CLESC 的跨层加密与重传设计在低 SNR 区间保持更好的全景视频质量。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,它是具有挑战性的,以确保知识共享的效率下不稳定的连接车辆之间的不同NN模型架构。 在这篇文章中,我们提出了一个新的知识共享的深度语义通信框架(SCKS),使一对多NN模型传输和实现有效的知识共享的车联网。 核心证据目标：仿真结果表明,与DeepJSCC和知识提炼(KD)等现有方法相比,SCKS方法在带宽需求和计算效率方面具有更高的性能。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：沿着智能交通系统（ITS）的发展，基于人工智能（AI）的机器学习技术在车联网（IoV）中得到了广泛的应用。 PDF p.1
2. 仍然存在的问题：然而，它是具有挑战性的，以确保知识共享的效率下不稳定的连接车辆之间的不同NN模型架构。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：在这篇文章中，我们提出了一个新的知识共享的深度语义通信框架（SCKS），使一对多NN模型传输和实现有效的知识共享的车联网。 PDF p.1
6. 方案为何可能有效：为了便于异构接收者有效理解语义信息，设计了一种基于生成对抗网络（generative adversarial networks，GAN）的语义解码算法。 PDF p.1
7. 作者希望证明什么：仿真结果表明，与DeepJSCC和知识提炼（KD）等现有方法相比，SCKS方法在带宽需求和计算效率方面具有更高的性能。 PDF p.1

方法与端到端信息流

本文提出了一种新的用于知识共享的深层语义通信框架SCKS（Deep Semantic Communication Framework for Knowledge Sharing），该框架支持一对多的神经网络模型传输，实现了车联网内高效的知识共享。为了便于异构接收者对语义信息的有效理解，我们设计了一种基于生成对抗网络（Generative Adversarial Networks，GAN）的语义解码算法。据我们所知，还没有关于开发用于传递NN模型的深层语义通信系统的报道。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“连续神经 JSCC latent / 实复信道符号”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：ITS 的主传输单位属于“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

实验把 128×128 RGB 图像的一个合成图像语义向量映射到 q=1536 个传输维度；相对 3HW=49,152 个源样本，对应维度比 q/(3HW)=1/32。q 是连续带宽维度，论文没有为每一维规定量化位宽、信道码率和协议开销，因此不能继续换算为总 bit。 PDF p.11

换算边界：连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

在4-QAM、16-QAM和64-QAM数字调制方案中，我们使用了（3072，6144）、（3072，4608）和（1536，4608）LDPC码的所有可能的组合，然后在AWGN的瑞利慢衰落信道下研究了我们的SCKS方案的性能。 信道处理归类为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.8 PDF p.9

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.8 PDF p.9

实验设置与主要结论

数据集为ImageNet；实验小节中明确出现的比较对象包括DeepJSCC、JSCC、LDPC、QAM、ViT；指标包括MSE、accuracy、PER；信道/链路条件包括AWGN、Rayleigh、fading channel、wireless channel；正文可定位的代表性工作点有SNR=20 dB、SNR 20 dB、SNR = 2 dB。 PDF p.8

仿真把 SCKS 与 DeepJSCC、知识蒸馏方案及共享固定生成器的 U-SCKS 比较。SCKS 针对具体模型结构自适应生成器，在测试的 AWGN SNR 与合成图像数量 M 范围内持续优于 U-SCKS，并同时降低带宽需求与解码计算负担。 PDF p.1 PDF p.8

通信价值、局限与 Codex 判断

该工作位于“生成式语义信源编码”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。

论文主旨：然而,智能服务需要管理大量数据流,尤其是对时间敏感的物联网应用。 针对这一问题,本文提出了一种新的基于AAVs的扩频编码框架-扩散联合信源信道编码(D-JSCC)。 核心证据目标：首先,我们研究了不同采样步骤对图像生成的影响,以实现采样时间和图像质量之间的最佳折衷。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：无人机（AAVs）作为物联网（IoT）的关键设备，在低空环境中占据着主导地位。 PDF p.1
2. 仍然存在的问题：然而，智能服务需要管理大量数据流，尤其是对时间敏感的物联网应用。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：针对这一问题，本文提出了一种新的基于AAVs的扩频编码框架-扩散联合信源信道编码（D-JSCC）。 PDF p.1
6. 方案为何可能有效：本文提出了一种基于扩散联合信源-信道编码（D-JSCC）的图像增强算法。 PDF p.2
7. 作者希望证明什么：首先，我们研究了不同采样步骤对图像生成的影响，以实现采样时间和图像质量之间的最佳折衷。 PDF p.9

方法与端到端信息流

本文提出了一种基于AAV的扩散联合信源信道编码（D-JSCC），并在此基础上提出了一种基于DM的图像增强扩散联合信源信道编码（D-JSCC）。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“有限星座/标准数字波形接口”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：diffusion 的主传输单位属于“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.8

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 2：语义特征映射为调制符号或编码包”。 信道处理归类为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。 PDF p.2 PDF p.8

实验设置与主要结论

数据集为ImageNet、Kodak、DIV2K；实验小节中明确出现的比较对象包括JPEG、BPG、DeepJSCC、JSCC、LDPC、ResNet；指标包括PSNR、SSIM、MS-SSIM；信道/链路条件包括AWGN、Rayleigh、MIMO、OFDM、wireless channel；正文可定位的代表性工作点有SNR = 1 dB。 PDF p.8

首先，我们研究了不同采样步长对图像生成的影响，以实现采样时间和图像质量之间的最佳权衡。同样，我们的算法优于其他算法，在各种SNR水平下显示出强大的鲁棒性，整体性能稳定。 PDF p.9 PDF p.11

通信价值、局限与 Codex 判断

该工作位于“生成式语义信源编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：语义通信(SC)已被用来通过传输与任务相关的信息而不是原始数据来应对这些挑战;然而,当前的SC框架不足以应对低地球轨道环境,因为它们依赖于固定的信噪比(SNR)边界来选择调制方案。 在本文中,我们提出了一个为基于LEO的物联网系统量身定制的自适应SC框架,该框架集成了深度强化学习(DRL)代理和矢量量化变分自动编码器(VQ-VAE)。 核心证据目标：仿真实验结果表明,与传统的SC基线相比,该方法能够以更低的符号开销、更少的存储器占用和更少的推理时间获得相当的重建质量。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：这些结果证实了所提出的框架在低轨卫星支持的物联网网络中促进高效和鲁棒的SC的潜力。 PDF p.1
2. 仍然存在的问题：语义通信（SC）已被用来通过传输与任务相关的信息而不是原始数据来应对这些挑战;然而，当前的SC框架不足以应对低地球轨道环境，因为它们依赖于固定的信噪比（SNR）边界来选择调制方案。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：在本文中，我们提出了一个为基于LEO的物联网系统量身定制的自适应SC框架，该框架集成了深度强化学习（DRL）代理和矢量量化变分自动编码器（VQ-VAE）。 PDF p.1
6. 方案为何可能有效：针对该问题，该文提出一种新的SC-SatCom系统自适应调制与多普勒补偿相结合的方案。 PDF p.2
7. 作者希望证明什么：仿真实验结果表明，与传统的SC基线相比，该方法能够以更低的符号开销、更少的存储器占用和更少的推理时间获得相当的重建质量。 PDF p.1

方法与端到端信息流

本文提出了一种基于LEO的物联网自适应SC框架，该框架将深度强化学习（DRL）Agent与矢量量化变分自动编码器（VQ-VAE）相结合，提出了一种新的SC-SatCom系统自适应调制与多普勒补偿相结合的框架。提出了一种在SC-SatCom系统中集成自适应调制和多普勒补偿的新框架。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：显式数字语义表示：bit、离散 token 或码本 index

本文提出了一种基于LEO的物联网系统自适应SC框架，该框架将深度强化学习（DRL）代理与矢量量化变分自动编码器（VQ-VAE）相结合，提出了一种数字兼容SC方法，该方法使用矢量量化变分自动编码器（VQ-VAE）产生与标准调制方案兼容的离散符号。 表示判定：Doppler-Adaptive Digital Semantic Communication for Low Earth Orbit Satellite Systems 的主传输单位属于“显式数字语义表示：bit、离散 token 或码本 index”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.8

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：数字语义变量接入调制、信道编码或 OFDM 链路

可以观察到，NTN-TDL-A信道上QPSK和64 QAM之间差距比NTN-TDL-D信道中的间隙宽。 信道处理归类为“类别 2：数字语义变量接入调制、信道编码或 OFDM 链路”。 PDF p.9

语义 decoder 实际面对的是：解调/信道译码后的 bit 或 index；残余错误是否进入语义 decoder 需单独判断。 PDF p.9

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepJSCC、JSCC、LDPC、QAM、SwinJSCC、PPO、FEC；指标包括mAP、PER；信道/链路条件包括AWGN、Rayleigh、OTFS。 PDF p.8

仿真结果表明，建议的方法可以实现可比的重建质量与显着降低符号开销，内存使用，和推理时间相比，传统的SC baseline. The学习率被设置为0.0005，因为评论家网络通常需要一个更高的学习率比演员网络的稳定学习。 PDF p.1 PDF p.8

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：传统的通信系统在管理大规模图像传输方面面临挑战。 为了满足这些需求,我们设计了一个基于Swin Transformer和卷积神经网络的语义提取和重构模块STC,该模块支持并行语义处理,并引入了增强的信道感知注意机制,然后与残差块集成,形成一个用于语义提取、压缩和重构的联合信源信道编码(JSCC)模型。 核心证据目标：仿真结果表明,与其他基于学习的方法相比,JSCC模型在保持计算效率的同时显著提高了图像质量。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：移动的互联网的快速增长已经导致了对各种数据类型的可靠传输的日益增长的需求，尤其是通过无线网络在多个用户之间共享的图像。 PDF p.1
2. 仍然存在的问题：传统的通信系统在管理大规模图像传输方面面临挑战。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为了满足这些需求，我们设计了一个基于Swin Transformer和卷积神经网络的语义提取和重构模块STC，该模块支持并行语义处理，并引入了增强的信道感知注意机制，然后与残差块集成，形成一个用于语义提取、压缩和重构的联合信源信道编码（JSCC）模型。 PDF p.1
6. 方案为何可能有效：为了满足这些需求，我们设计了一个基于Swin Transformer和卷积神经网络的语义提取和重构模块STC，该模块支持并行语义处理，并引入了增强的信道感知注意机制，然后与残差块集成，形成一个用于语义提取、压缩和重构的联合信源信道编码（JSCC）模型。 PDF p.1
7. 作者希望证明什么：仿真结果表明，与其他基于学习的方法相比，JSCC模型在保持计算效率的同时显著提高了图像质量。 PDF p.1

方法与端到端信息流

为了满足这些需求，我们设计了一个基于Swin Transformer和卷积神经网络的语义提取和重构模块STC，该模块实现了语义的并行处理，并引入了增强的信道感知注意机制，和重构，我们考虑了基站（BS）通过下行链路向用户发送图像语义信息的无线通信场景，旨在实现高可靠性的ISC系统。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

在本文的设计中，量化器通过二进制量化将x映射为比特，发射机由信源-信道联合编码器和量化器组成，编码器从图像中提取语义信息并针对信道噪声进行调整，量化器将其转换为无线传输。 表示判定：STC-based 的主传输单位属于“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.3

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 2：语义特征映射为调制符号或编码包”。 信道处理归类为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为ImageNet、Kodak；实验小节中明确出现的比较对象包括DeepJSCC、JSCC、SSCC、LDPC、SAC、HM；指标包括PSNR、SSIM、MSE、accuracy；信道/链路条件包括Rayleigh、fading channel、wireless channel；正文可定位的代表性工作点有SNR of 0 dB、at 0 dB SNR、at 18 dB SNR。 PDF p.9

仿真结果表明，与其他基于学习的方法相比，JSCC模型在保持计算效率的同时，显著提高了图像质量。其次，基于DNN的解决方案在低信噪比条件下的性能明显优于传统的SSCC解决方案，这一优势在瑞利衰落场景中尤为突出。 PDF p.1 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,目前的语义系统遭受黑箱决策,而现有的可解释人工智能(XAI)方法面临两个关键挑战:可解释性粒度不匹配和闭环优化差距。 为了解决这些问题,我们提出了一个语义通信框架集成XAI(XAI-SCS)。 核心证据目标：实验结果表明,我们的方法增强了整个决策过程的可解释性,在带宽压缩比为1/25的CIFAR-10数据集上实现了高达55%的显着准确性提高,并且在增加压缩级别时也获得了有竞争力的图像重建质量。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：新兴的6G-IoT范式正在推动通信向智能服务发展，语义通信通过人工智能（AI）实现高效的语义共享，显著提高通信效率。 PDF p.1
2. 仍然存在的问题：然而，目前的语义系统遭受黑箱决策，而现有的可解释人工智能（XAI）方法面临两个关键挑战：可解释性粒度不匹配和闭环优化差距。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为了解决这些问题，我们提出了一个语义通信框架集成XAI（XAI-SCS）。 PDF p.1
6. 方案为何可能有效：在本文中，我们提出了一个可解释的人工智能集成语义通信系统-XAI-SCS。 PDF p.3
7. 作者希望证明什么：实验结果表明，我们的方法增强了整个决策过程的可解释性，在带宽压缩比为1/25的CIFAR-10数据集上实现了高达55%的显着准确性提高，并且在增加压缩级别时也获得了有竞争力的图像重建质量。 PDF p.1

方法与端到端信息流

本文提出了一个可解释的人工智能集成语义通信系统（XAI-SCS），该框架能够建立一个透明的语义通信系统。 PDF p.1 PDF p.2 PDF p.3

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“连续神经 JSCC latent / 实复信道符号”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：XAI-SCS 的主传输单位属于“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

我们将SNR设置为5 dB，带宽压缩比k/n为1/24、1/12和1/6，比较了AWGN信道和Rayleigh衰落信道上的性能。 PDF p.12

换算边界：连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

此外，我们使用的正交幅度调制（QAM）的阶数为64。结果表明，所有的方法表现出性能下降，在瑞利衰落信道相比，AWGN信道。 信道处理归类为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.8 PDF p.9

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.8 PDF p.9

实验设置与主要结论

数据集为CIFAR-10、Kodak；实验小节中明确出现的比较对象包括VVC、DeepJSCC、DeepSC、JSCC、LDPC、QAM、ResNet；指标包括PSNR、accuracy；信道/链路条件包括AWGN、Rayleigh、fading channel；正文可定位的代表性工作点有SNR of 20 dB、at 20dB SNR、at 5 dB SNR、SNR of 30.70 dB、compression ratio of 1/48、compression ratio of 1/2、compression ratio of 1/25。 PDF p.9

实验结果表明，我们的方法在整个决策过程中增强了可解释性，在带宽压缩比为1/25的CIFAR-10数据集上实现了高达55%的显著精度提高，并且在增加压缩水平的情况下也获得了有竞争力的图像重建质量。AWGN信道下的精度与带宽压缩比，其中SNR为20 dB。压缩，尽管我们提出的XAI-SCS在保留语义信息方面显著优于DeepJSCC和DeepSC。 PDF p.1 PDF p.9

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。

论文主旨：在本文设定中,现有方法不能同时满足“多模态检索与任务通信”的语义目标与通信、计算或资源约束;后续方案需要补齐这一具体瓶颈。 因此,在这项研究中,我们提出了一个新的跨模态语义通信的框架,以提高效率的多模态处理,特别是触觉模态。 核心证据目标：第三,在信号处理中,通过DL和机器学习(ML)提供低秩信号重构和沉浸式体验质量(QoE)评估,以改善和量化用户的体验。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：鉴于6G超大规模接入和动态连接需求，用户和数据数量呈指数级增长，这使得通信难以实现可持续发展。 PDF p.1
2. 仍然存在的问题：在本文设定中，现有方法不能同时满足“多模态检索与任务通信”的语义目标与通信、计算或资源约束；后续方案需要补齐这一具体瓶颈。 PDF p.1
3. 为什么已有方法解决不了：只优化合法接收端的重建或任务 loss，并不会自动消除 latent 泄露、窃听或操纵风险；缺少的是把攻击者与保护目标放进同一系统模型。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：因此，在这项研究中，我们提出了一个新的跨模态语义通信的框架，以提高效率的多模态处理，特别是触觉模态。 PDF p.1
6. 方案为何可能有效：该方法采用可伸缩编码方法保持了高峰信噪比（PSNR），并根据韦伯定律尽可能地压缩了触觉数据，满足了人类对触觉模态的感知。B）在传输方面，我们提出了一种联邦深度强化学习（FDRL）方法，以快速收敛的方式满足各种模态的要求。 PDF p.2
7. 作者希望证明什么：第三，在信号处理中，通过DL和机器学习（ML）提供低秩信号重构和沉浸式体验质量（QoE）评估，以改善和量化用户的体验。 PDF p.1

方法与端到端信息流

因此，本研究提出了一种新的跨模态语义通信框架，以提高多模态处理的效率，特别是触觉模态，通过可伸缩编码方法保持高峰信噪比（PSNR），并根据韦伯定律尽可能地压缩触觉数据，以满足人类对触觉模态的感知。B）在传输方面，我们提出了一种联邦深度强化学习（FDRL）方法，以满足快速收敛的各种模态的要求。为了解决上述挑战，在本文中，我们提出了一种新的框架，将FL与跨模态语义通信相结合，以解决这些挑战，重点关注三个关键目标。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Federated-Learning-Enabled Cross-Modal Semantic Communication for 6G 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.10

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.10

实验设置与主要结论

实验小节中明确出现的比较对象包括DQN、FedAvg；指标包括MSE、accuracy、mAP、latency、throughput、F1-score。 PDF p.10

第三，在信号处理方面，通过深度学习和机器学习的低秩信号重构和沉浸式体验质量（QoE）评估来改善和量化用户体验。为了验证我们提出的方案在多用户场景下的延迟优化能力，我们与三种典型的基线方法进行了对比实验：1）集中式方法; 2）随机资源分配策略;以及3）贪婪最大信道增益策略。 PDF p.1 PDF p.11

通信价值、局限与 Codex 判断

该工作位于“通信安全与隐私”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：尽管如此,在这样的系统中面向任务的数据传输仍然是一个巨大的挑战,主要是由于信噪比(SNR)波动的动态性质和低地球轨道(LEO)卫星信道固有的严格带宽限制。 针对这些限制,我们提出了一个重要性感知的鲁棒语义传输(IRST)框架,专门设计用于带宽稀缺和信道可变性的情况下。 核心证据目标：IRST方案首先应用分割模型增强算法来提高语义分割的粒度和准确性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：卫星-地面语义通信预计将在即将到来的第六代（6G）移动的网络中发挥关键作用。 PDF p.1
2. 仍然存在的问题：尽管如此，在这样的系统中面向任务的数据传输仍然是一个巨大的挑战，主要是由于信噪比（SNR）波动的动态性质和低地球轨道（LEO）卫星信道固有的严格带宽限制。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：针对这些限制，我们提出了一个重要性感知的鲁棒语义传输（IRST）框架，专门设计用于带宽稀缺和信道可变性的情况下。 PDF p.1
6. 方案为何可能有效：针对这些限制，我们提出了一个重要性感知的鲁棒语义传输（IRST）框架，专门设计用于带宽稀缺和信道可变性的情况下。 PDF p.1
7. 作者希望证明什么：IRST方案首先应用分割模型增强算法来提高语义分割的粒度和准确性。 PDF p.1

方法与端到端信息流

针对这些问题，本文提出了一个重要性感知的鲁棒语义传输（IRST）框架，该框架专门针对带宽稀缺和信道可变的场景设计，并提出了一个重要性感知的鲁棒语义传输（IRST）模型，该模型支持动态信噪比条件下的内容感知传输。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

其中，H、W为特征图的大小，K为卷积核的大小，Cin、Cout为卷积核的大小，这虽然增强了模型的平移不变性和鲁棒性，但也显著降低了特征图的空间分辨率，使得下采样过程中边界细节模糊或丢失，导致识别率下降。 表示判定：LEO 的主传输单位属于“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.10 PDF p.11

IRST 通过语义重要性掩码和信道映射网络调整连续 feature 的发送量，并以 SNR 阈值 γ₁=3 dB、γ₂=−3 dB 切换增强路径。论文没有给出 latent 的量化位宽、码本或 index-to-bit 映射，因而只能按发送特征/信道使用次数比较，无法唯一得到帧级 bit 数。 PDF p.5

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

它通常被构造为自动编码器，包括基于卷积神经网络（CNN）的编码器和解码器，以及嵌入在它们之间的不可训练的信道模拟模块（通常被建模为加性白色高斯噪声（AWGN）或瑞利衰落信道）。 信道处理归类为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.10

语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。 PDF p.10

实验设置与主要结论

实验小节中明确出现的比较对象包括JSCC；指标包括accuracy、mAP、IoU、latency；信道/链路条件包括AWGN、Rayleigh、Nakagami、fading channel、wireless channel；正文可定位的代表性工作点有SNR of 38.648 dB、SNR of 39.077 dB。 PDF p.10

IRST方案首先应用分割模型增强算法来提高语义分割的粒度和准确性，但在低信噪比条件下，叠加方案表现出明显的优势，将PSNR提高了约1.2 ~ 1.5 dB，证实了其在高噪声场景下的鲁棒性。 PDF p.1 PDF p.12

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：在本文设定中,现有方法不能同时满足“图像传输、压缩或生成”的语义目标与通信、计算或资源约束;后续方案需要补齐这一具体瓶颈。 同时,语义通信技术在受限环境中表现出显着的优势,使有效的信息传输,减少数据量和优化的带宽利用率。 核心证据目标：实验结果表明,语义重要性的集成有效地减轻了干扰,提高了通信性能,特别是在低信号干扰噪声比(SINR)的条件下。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：由于带内全双工（IBFD）技术中严重的自干扰（SI），造成了极其恶劣的通信环境，解决这一挑战已成为关键的研究热点。 PDF p.1
2. 仍然存在的问题：在本文设定中，现有方法不能同时满足“图像传输、压缩或生成”的语义目标与通信、计算或资源约束；后续方案需要补齐这一具体瓶颈。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：同时，语义通信技术在受限环境中表现出显着的优势，使有效的信息传输，减少数据量和优化的带宽利用率。 PDF p.1
6. 方案为何可能有效：引入语义重要性映射模块，将语义符号映射到基带信号，同时考虑信道条件和语义符号的重要性。 PDF p.1
7. 作者希望证明什么：实验结果表明，语义重要性的集成有效地减轻了干扰，提高了通信性能，特别是在低信号干扰噪声比（SINR）的条件下。 PDF p.1

方法与端到端信息流

同时，语义通信技术在受限环境下通过减少数据量和优化带宽利用率实现高效的信息传输而显示出显著的优势。引入语义重要性映射模块，将语义符号映射到基带信号，同时考虑信道条件和语义符号的重要性。在获得yADC之后，应用所提出的数字域SI消除技术，然后是解映射模块、DeepJSCC解码器及语义解码器。 PDF p.1 PDF p.6

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“连续神经 JSCC latent / 实复信道符号”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：In-Band Full-Duplex System for Semantic Communication 的主传输单位属于“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.11

换算边界：连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 信道处理归类为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.11

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.2 PDF p.11

实验设置与主要结论

实验小节中明确出现的比较对象包括QAM；指标包括PSNR、SSIM、MS-SSIM、MSE、BLEU、accuracy、mAP、latency。 PDF p.11

实验结果表明，语义重要性的结合有效地减轻了干扰，提高了通信性能，特别是在低信干噪比（SINR）的条件下，结果清楚地表明，基于语义的方法通过利用语义域优先化关键信息，明显优于传统方法，特别是在不利的信道条件下。 PDF p.1 PDF p.13

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。

论文主旨：ITS的实施被认为是应对交通量增加、污染和城市化带来的挑战的关键。 在我们的研究中,我们引入了一个新的框架,称为语义通信(SemCom),它集成了卷积神经网络(CNN)和长短时记忆(LSTM)网络。 核心证据目标：仿真结果表明,该模型在平均绝对误差(MAE)和QoE度量方面优于现有方法。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，城市化的快速发展、技术进步以及对移动性的需求不断增长，2025年6月20日;当前版本的日期为2025年8月25日。 PDF p.1
2. 仍然存在的问题：ITS的实施被认为是应对交通量增加、污染和城市化带来的挑战的关键。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：在我们的研究中，我们引入了一个新的框架，称为语义通信（SemCom），它集成了卷积神经网络（CNN）和长短时记忆（LSTM）网络。 PDF p.1
6. 方案为何可能有效：为了提高用户体验质量，提出了一个综合考虑车辆用户安全性、物联网设备传输功率、预测精度和语义熵的优化问题。 PDF p.1
7. 作者希望证明什么：仿真结果表明，该模型在平均绝对误差（MAE）和QoE度量方面优于现有方法。 PDF p.1

方法与端到端信息流

在我们的研究中，我们引入了一个新的框架称为语义通信（SemCom），它集成了卷积神经网络（CNN）和长短期记忆（LSTM）网络。为了提高体验质量（QoE），我们制定了一个优化问题，考虑了车辆用户安全性，物联网设备传输功率，预测精度和语义熵。我们在第三节中详细讨论了所提出的模型。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：semantic 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.10

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.10

实验设置与主要结论

实验小节中明确出现的比较对象包括ETC；指标包括MSE、MOS、accuracy、mAP；信道/链路条件包括packet loss。 PDF p.10

此外，仿真结果表明，我们提出的模型的平均绝对误差（MAE）和QoE指标优于现有的现有先进的方法。因此，总开销减少了54.42%，通过将SemCom技术的测试数据集。 PDF p.1 PDF p.13

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,当前的方法主要将通信噪声作为要被减轻的外部干扰来对待,而没有充分利用扩散过程的独特结构。 本文提出了一种基于扩散模型的SemCom联合信源-信道加噪自适应去噪算法(JSCNA-AD)。 核心证据目标：实验结果表明,该方法在各种噪声条件下的性能均明显优于现有的SemCom方法,表明基于扩散的模型在下一代通信系统中具有潜在的应用价值。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信（SemCom）旨在传达消息的预期含义，而不仅仅是传输比特，从而提供更高的效率和鲁棒性，特别是在资源受限或有噪声的环境中。 PDF p.1
2. 仍然存在的问题：然而，当前的方法主要将通信噪声作为要被减轻的外部干扰来对待，而没有充分利用扩散过程的独特结构。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：本文提出了一种基于扩散模型的SemCom联合信源-信道加噪自适应去噪算法（JSCNA-AD）。 PDF p.1
6. 方案为何可能有效：在本节中，我们将详细介绍所建议的JSCNA-AD框架的体系结构设计。 PDF p.2
7. 作者希望证明什么：实验结果表明，该方法在各种噪声条件下的性能均明显优于现有的SemCom方法，表明基于扩散的模型在下一代通信系统中具有潜在的应用价值。 PDF p.1

方法与端到端信息流

本文介绍了一个基于自适应去噪的信源-信道联合加噪算法（JSCNA-AD）。在本节中，我们将详细介绍所提出的JSCNA-AD框架的架构设计。自适应降噪：我们建议注意-该机制将接收到的图像划分成语义上有意义的区域，并且向每个区域动态地分配反向扩散步骤的数量基于其估计的语义重要性。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“连续神经 JSCC latent / 实复信道符号”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：JSCNA-AD 的主传输单位属于“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.10

换算边界：连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 信道处理归类为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.2 PDF p.10

实验设置与主要结论

数据集为ImageNet、STL-10；实验小节中明确出现的比较对象包括JPEG、JPEG2000、LDPC；指标包括latency；信道/链路条件包括AWGN、Rayleigh。 PDF p.10

大量的实验表明，我们的方法在各种噪声条件下的性能明显优于现有的SemCom方案，强调了基于扩散的模型在下一代通信系统中的潜力。该图清楚地表明，我们提出的JSCNAAD系统明显优于其他SemCom系统，如WITT，以及基于深度学习的通信系统，如DeepJSCC和传统的通信方法，包括具有LDPC编码的JPEG 2000。 PDF p.1 PDF p.16

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。

论文主旨：然而,现有的SemCom框架在语义压缩和泛化方面存在局限性。 针对上述问题,文章提出了一种基于知识图的SemCom系统。 核心证据目标：实验结果表明,在高信噪比条件下,该系统的BLEU得分超过0.9,METEOR得分超过0.93,在语义保真度上优于基线方法,同时显著降低了冗余度。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信（SemCom）是未来无线通信的一个重要方向，其目的是通过提取和传输语义信息来实现高效、低冗余的通信。 PDF p.1
2. 仍然存在的问题：然而，现有的SemCom框架在语义压缩和泛化方面存在局限性。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：一个 token 错误就可能改变整句含义，因此仅看 BER 不足以评价链路；必须追踪最终语言意义或任务输出。 PDF p.1
5. 本文提出什么：针对上述问题，文章提出了一种基于知识图的SemCom系统。 PDF p.1
6. 方案为何可能有效：所提出的系统由三个核心组件组成：a）发射机; B）接收机; c）共享KG，并被设计为在LA-IoT环境中的各种通信场景中通用。 PDF p.3
7. 作者希望证明什么：实验结果表明，在高信噪比条件下，该系统的BLEU得分超过0.9，METEOR得分超过0.93，在语义保真度上优于基线方法，同时显著降低了冗余度。 PDF p.1

方法与端到端信息流

为了应对这些挑战，本文提出了一种知识图增强的SemCom系统。该系统由三个核心组件组成：a）发送器; B）接收端;和c）共享KG，并且被设计为在LA-IoT环境中的不同通信场景中通用。该系统由三个核心组件组成：a）发送器; B）接收端;和c）共享KG。以及c）共享KG，并且被设计为在LA-IoT环境内的各种通信场景中进行概括。 PDF p.1 PDF p.3

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“连续神经 JSCC latent / 实复信道符号”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Knowledge Graph-Enhanced Triplet Semantic Communication System for Low-Altitude IoT Transmission 的主传输单位属于“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.8

换算边界：连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 信道处理归类为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.2 PDF p.8

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepSC、LDPC；指标包括BLEU、METEOR、accuracy；信道/链路条件包括AWGN、Rayleigh；正文可定位的代表性工作点有at 0 dB SNR、SNR = 12 dB。 PDF p.8

实验结果表明，在高信噪比条件下，该系统的BLEU评分超过0.9，METEOR评分超过0.93，在语义保真度方面优于基线方法，同时显著降低了冗余;此外，该方法在所有BLEU指标上均优于DeepSC，验证了其在动态低空链路中的适应性。 PDF p.1 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。

论文主旨：然而,尽管数字语义通信具有节省传输带宽的能力,但其可能降低接收机处的任务的性能,尤其是在低比特率的情况下。 本文提出了一种新的基于生成式语音传输模型的低比特率数字语义通信方法,以实现在低比特率传输下的高质量重构语音。 核心证据目标：实验结果表明,在3 kb/s的速率下,该方法在保证语音恢复质量的同时,可以节省至少50%的带宽。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：数字语义通信由于其与现代数字通信系统集成的潜力而引起了广泛的关注，这已经证明了其显著的性能增益。 PDF p.1
2. 仍然存在的问题：然而，尽管数字语义通信具有节省传输带宽的能力，但其可能降低接收机处的任务的性能，尤其是在低比特率的情况下。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：语音的可懂度、识别正确率与波形误差并不总是同步，少量包丢失也可能破坏整段语言内容；有限码率下应优先保护语言与说话人语义。 PDF p.1
5. 本文提出什么：本文提出了一种新的基于生成式语音传输模型的低比特率数字语义通信方法，以实现在低比特率传输下的高质量重构语音。 PDF p.1
6. 方案为何可能有效：在第二节中，我们介绍了所提出的语义通信系统模型。 PDF p.2
7. 作者希望证明什么：实验结果表明，在3 kb/s的速率下，该方法在保证语音恢复质量的同时，可以节省至少50%的带宽。 PDF p.1

方法与端到端信息流

本文提出了一种新的基于语音传输生成模型的低比特率数字语义通信方法，以实现在低比特率传输下的高质量重构语音。在第二节中，我们介绍了所提出的语义通信系统模型。由于低比特率传输，带宽负担可以显著降低，并且所提出的方法能够以高的重构质量应用到数字通信中。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：RVQ index 转 bitstream，并经 BPSK/QAM 与无线信道发送

表示判断：显式数字语义表示：RVQ 多级码本 index 与 bitstream

语义 encoder 以步长 320 把 16 kHz 语音变成每秒 50 个 latent 帧；每帧经过 Nq 级残差 VQ，每一级输出共享码本的一个 index。接收端按 index 查表并累加各级 codeword，形成待语音 decoder 使用的离散语义表示。 表示判定：RVQGAN 数字语音语义通信 的主传输单位属于“显式数字语义表示：RVQ 多级码本 index 与 bitstream”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1 PDF p.2

3 kb/s 设置采用 Nq=6、每级码本 K=1024，因此每帧净 index 负载为 6×log₂1024=60 bit；50 帧/s 对应 3000 bit/s。1 kb/s 与 2 kb/s 通过选择 2 层和 4 层 RVQ 获得。上述数值是语义 payload，尚未计入 BPSK/QAM、FEC、导频与包头。 PDF p.8 PDF p.11

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 4：离散 bit/index error 进入预测、去噪与语义恢复训练

RVQ index 被组织成 bitstream，经 BPSK/QAM 和 AWGN/Rician 信道后先解调。接收端 code predictor 修复受损 index，反量化后 CNS 以受损 latent 为输入抑制噪声；Stage II/III 在信道扰动下分别训练 CNS 和 code predictor，因此残余数字错误确实进入学习恢复路径。 信道处理归类为“类别 4：离散 bit/index error 进入预测、去噪与语义恢复训练”。 PDF p.3 PDF p.5

语义 decoder 实际面对的是：含误 index 的接收 bitstream、code predictor 输出及反量化后的受损语义特征。 PDF p.3 PDF p.5

实验设置与主要结论

数据集为LibriSpeech；实验小节中明确出现的比较对象包括DeepSC、DeepSC-S、LDPC、HM；指标包括PESQ、STOI、MOS；信道/链路条件包括AWGN、Rician、MIMO、OFDM、wireless channel；正文可定位的代表性工作点有SNR = 2 dB。 PDF p.8

实验结果表明，该方法在3 kb/s的速率下可以节省至少50%的带宽，同时语音恢复质量比基线方法更高，这是由于该方法有效地消除了“悬崖效应”，减少了SoundStream在低于8 dB时出现的突然和严重的性能下降。 PDF p.1 PDF p.9

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：通信价值来自把离散错误的后果纳入语义目标，而不只是降低平均 BER；应重点检查错误模型、保护开销和训练/测试失配。

局限：错误模型仍主要来自仿真；码本规模、包头/FEC、真实调制和 burst error 是否与训练分布一致，需要原型或真实链路验证。

论文主旨：然而,语义提取引入了显著的计算开销,这可能会给资源受限的IoT设备带来负担。 为了解决这个问题,我们提出了一个通用的语义感知卸载框架,该框架集成了语义通信,非正交多址接入(NOMA),MEC和边缘物联网网络中的用户移动性预测。 核心证据目标：值得注意的是,线性移动模型仅用于简化轨迹预测;我们框架的核心机制仅依赖于从用户位置导出的预测信道增益,并且独立于特定的移动路径。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：为了解决这个问题，我们提出了一个通用的语义感知卸载框架，该框架集成了语义通信，非正交多址接入（NOMA），MEC和边缘物联网网络中的用户移动性预测。 PDF p.1
2. 仍然存在的问题：然而，语义提取引入了显著的计算开销，这可能会给资源受限的IoT设备带来负担。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：为了解决这个问题，我们提出了一个通用的语义感知卸载框架，该框架集成了语义通信，非正交多址接入（NOMA），MEC和边缘物联网网络中的用户移动性预测。 PDF p.1
6. 方案为何可能有效：我们制定了一个联合优化问题，通过优化卸载决策，语义因素，发射功率和时隙调度，以最大限度地减少总用户侧的能源消耗。 PDF p.1
7. 作者希望证明什么：值得注意的是，线性移动模型仅用于简化轨迹预测;我们框架的核心机制仅依赖于从用户位置导出的预测信道增益，并且独立于特定的移动路径。 PDF p.9

方法与端到端信息流

为了解决这个问题，我们提出了一个通用的语义感知的卸载框架，该框架集成了语义通信，非正交多址接入（NOMA），MEC和边缘使能物联网网络中的用户移动性预测。我们制定了一个联合优化问题，通过优化卸载决策，语义因素，发送功率和时隙调度来最小化总用户侧能耗。与上述研究不同，我们的工作开发了一个通用的统一优化框架，该框架独特地集成了SemCom、MEC和用户移动性感知。 PDF p.1 PDF p.3

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“上层理论/资源变量；论文不单独定义可发送语义格式”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Mobility-Aware Semantic Offloading With NOMA in Edge-Enabled IoT Networks 的主传输单位属于“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.10

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 5：沿用底层链路或抽象速率—效用模型”。 信道处理归类为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。 PDF p.2 PDF p.10

实验设置与主要结论

指标包括latency、throughput、energy efficiency、PER；信道/链路条件包括OFDM。 PDF p.10

值得注意的是，线性移动模型仅用于简化轨迹预测;我们框架的核心机制仅依赖于从用户位置导出的预测信道增益，而与具体移动路径无关。发射和接收天线增益均假定为0 dBi，电缆损耗和桅杆放大器（MHA）增益设置为2.0 dB。 PDF p.9 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。

论文主旨：在本文设定中,现有方法不能同时满足“通用语义通信系统”的语义目标与通信、计算或资源约束;后续方案需要补齐这一具体瓶颈。 本文介绍了MRCoach,这是一个基于现实的混合沉浸式交互式体育教练系统,可以在不需要亲自监督的情况下进行数据驱动的训练。 核心证据目标：MRCoach界面使学员能够直观地将自己的表格与专业标准进行比较,并接收实时反馈以提高表现。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：大规模数据的实时传输、高计算需求以及边缘设备的资源限制，为智能体育系统带来了重大挑战。 PDF p.1
2. 仍然存在的问题：在本文设定中，现有方法不能同时满足“通用语义通信系统”的语义目标与通信、计算或资源约束；后续方案需要补齐这一具体瓶颈。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：本文介绍了MRCoach，这是一个基于现实的混合沉浸式交互式体育教练系统，可以在不需要亲自监督的情况下进行数据驱动的训练。 PDF p.1
6. 方案为何可能有效：通过结合语义感知传输、智能资源分配和实时SMPL-X估计，我们的系统弥合了数据密集型运动建模和交互式运动训练之间的差距。 PDF p.4
7. 作者希望证明什么：MRCoach界面使学员能够直观地将自己的表格与专业标准进行比较，并接收实时反馈以提高表现。 PDF p.7

方法与端到端信息流

本文介绍了一个基于混合现实的、沉浸式的、交互式的体育教练系统MRCoach，该系统通过将语义感知传输、智能资源分配和实时SMPL-X估计相结合，我们的系统在数据密集型运动建模和交互式运动训练之间架起差距。MRCoach系统架构和工作流程。X的参数。 PDF p.1 PDF p.4

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：MRCoach 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.5

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.5

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.5

实验设置与主要结论

指标包括latency、PER。 PDF p.5

MRCoach界面使学员能够直观地将自己的表格与专业标准进行比较，并接收实时反馈以提高表现。 PDF p.7

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：当这些目标改变时,语义编码器应该被重新训练以匹配新的任务,这使得它不灵活并且难以适应接收端的多样化和不断变化的要求。 在本文中,我们设计了一个端到端的数字语义通信系统来传输语义符号,同时促进图像分类任务和重建任务。 核心证据目标：仿真结果表明,A-MIJSCC方法能够在不同信道条件下实现自适应语义传输,在保证任务性能的同时有效降低传输开销。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在本文中，我们设计了一个端到端的数字语义通信系统来传输语义符号，同时促进图像分类任务和重建任务。 PDF p.1
2. 仍然存在的问题：当这些目标改变时，语义编码器应该被重新训练以匹配新的任务，这使得它不灵活并且难以适应接收端的多样化和不断变化的要求。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：在本文中，我们设计了一个端到端的数字语义通信系统来传输语义符号，同时促进图像分类任务和重建任务。 PDF p.1
6. 方案为何可能有效：在本文中，我们设计了一个端到端的数字语义通信系统来传输语义符号，同时促进图像分类任务和重建任务。 PDF p.1
7. 作者希望证明什么：仿真结果表明，A-MIJSCC方法能够在不同信道条件下实现自适应语义传输，在保证任务性能的同时有效降低传输开销。 PDF p.1

方法与端到端信息流

本文设计了一个端到端的数字语义通信系统，用于传输语义符号，同时完成图像分类任务和图像重建任务。受此启发，我们的目标是设计一个多任务语义通信系统，通过无监督训练获得信息语义表示，然后通过无线信道传输，以同时完成接收端的各种任务。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：显式数字语义表示：bit、离散 token 或码本 index

然后，将高分辨率的语义表示量化为有限个星座符号，以满足实际射频系统中离散控制的硬件约束，具体地，将32位浮点数的语义表示量化为比特数较少的整数。 表示判定：Multitask Semantic Communication 的主传输单位属于“显式数字语义表示：bit、离散 token 或码本 index”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.10

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：数字语义变量接入调制、信道编码或 OFDM 链路

为了支持在变化的信道条件下的自适应传输，引入了A-MIJSCC框架，以根据信道噪声连续地激活语义表示中的重要维度。 信道处理归类为“类别 2：数字语义变量接入调制、信道编码或 OFDM 链路”。 PDF p.14

语义 decoder 实际面对的是：解调/信道译码后的 bit 或 index；残余错误是否进入语义 decoder 需单独判断。 PDF p.14

实验设置与主要结论

实验小节中明确出现的比较对象包括BPG、JSCC、SSCC；指标包括PSNR、SSIM、MSE、accuracy、mAP；信道/链路条件包括Rayleigh、fading channel；正文可定位的代表性工作点有SNR = 9 dB、SNR = 12 dB、SNR = 21 dB。 PDF p.10

实验结果表明，A-MIJSCC方法能够在不同信道条件下实现自适应语义传输，在保证任务性能的同时有效降低了传输开销，并且在良好信道条件下，MIJSCC框架的PSNR优于深度JSCC，表明MI最大化可以帮助学习端到端目标。 PDF p.1 PDF p.11

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,现有的多用户SC图像传输方法缺乏自适应性,无法兼顾内容和风格特征,导致图像重建质量下降。 多用户语义通信(SC)通过理解信息的内在含义并在设备之间共享共同的语义特征,能够降低带宽消耗并增强抗噪能力,为在各种物联网场景中的广泛应用提供了巨大潜力。 核心证据目标：实验结果表明,在信噪比较低的情况下,与传统方法相比,该方法在多用户语义通信中的峰值信噪比(PSNR)提高了10%以上。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：通过在编码端嵌入语义提取模块，实现了语义信息的精细编码和存储，在保证有意义信息准确传递的同时，减少了数据量。 PDF p.1
2. 仍然存在的问题：然而，现有的多用户SC图像传输方法缺乏自适应性，无法兼顾内容和风格特征，导致图像重建质量下降。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：多用户语义通信（SC）通过理解信息的内在含义并在设备之间共享共同的语义特征，能够降低带宽消耗并增强抗噪能力，为在各种物联网场景中的广泛应用提供了巨大潜力。 PDF p.1
6. 方案为何可能有效：在第二节中介绍了所提出的多用户内容风格自适应SC（MU-CSASC）系统的框架。 PDF p.3
7. 作者希望证明什么：实验结果表明，在信噪比较低的情况下，与传统方法相比，该方法在多用户语义通信中的峰值信噪比（PSNR）提高了10%以上。 PDF p.1

方法与端到端信息流

多用户语义通信（SC）通过理解信息的内在含义并跨设备共享公共语义特征来实现减少的带宽消耗和增强的噪声恢复力，提出的多用户内容风格自适应SC的框架第二章介绍了多用户内容风格自适应SC（MU-CSASC）系统的结构。 PDF p.1 PDF p.3

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Multiuser Content-Style Adaptive Semantic Communication for Image Transmission 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.10

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.10

实验设置与主要结论

数据集为Cityscapes；指标包括PSNR、SSIM、MS-SSIM、MSE、latency；正文可定位的代表性工作点有SNR of 15 dB、SNR of 5 dB。 PDF p.10

实验结果表明，在多用户语义通信信噪比较低的情况下，该方法的峰值信噪比（PSNR）比基线方法提高了10%以上，MU-CSASC模型在所有信噪比下的性能都优于基线模型，只有当用户1的信噪比低于-6 dB时，性能才稍落后于NOMA。 PDF p.1 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,用户日益增长的智能需求和多样化的通信场景对智能搜索服务提出了巨大挑战,尤其是在搜索意图感知和可靠传输方面。 为了克服上述缺陷,本文提出了一种多用户语义通信系统MU-SemCom-PS。 核心证据目标：实验结果显示,该算法在受限通信条件下显著提高了搜索精度和鲁棒性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：智能搜索使用户能够快速地从互联网上获取信息，但现有的方案无法实现准确的语义感知和可靠的信息传输，尤其是在受限的通信条件下，降低了搜索的准确性和个性化的用户体验。 PDF p.1
2. 仍然存在的问题：然而，用户日益增长的智能需求和多样化的通信场景对智能搜索服务提出了巨大挑战，尤其是在搜索意图感知和可靠传输方面。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：梯度或中间特征既大又易受噪声影响，通信错误会直接改变训练收敛或推理决策；这使空口聚合与任务 loss 必须一起考虑。 PDF p.1
5. 本文提出什么：为了克服上述缺陷，本文提出了一种多用户语义通信系统MU-SemCom-PS。 PDF p.1
6. 方案为何可能有效：具体地，该系统在发送端引入了一种新的语义编码器，通过从多个角度分析搜索历史来深度提取用户特定的搜索语义;在接收端设计了一种语义解码器，通过利用用户之间的隐式相关性来恢复和增强搜索语义，从而基于恢复的搜索语义来执行PS任务。 PDF p.1
7. 作者希望证明什么：实验结果显示，该算法在受限通信条件下显著提高了搜索精度和鲁棒性。 PDF p.1

方法与端到端信息流

为了解决这些问题，本文提出了一种多用户语义通信系统MU-SemCom-PS，该系统在发送端引入了一种新的语义编码器，通过对用户搜索历史的多角度分析，深度提取用户特定的搜索语义，并在接收机处设计语义解码器以通过利用用户之间的隐式相关性来恢复和增强搜索语义，第五部分对所提出的方案进行了验证和分析，第六部分是结论。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：MU-SemCom-PS 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文以多用户语义特征、联邦模型更新和搜索任务性能评估链路，没有公开可复现的量化位宽、码本、token 数或帧级 bitstream。训练轮数与学习率属于优化设置，不能当作通信开销；真实负载还应合并语义特征和联邦更新两部分。 PDF p.8

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

此外，在MU-SemCom-PS系统中，在两种信道模型下，MU-SemCom-PS系统的三个排序指标均随用户数的增加而呈稳定上升趋势，而在Rayleigh衰落信道下的性能明显低于AWGN信道下的性能，这是由于Rayleigh衰落信道的复杂性，使得难以在接收机处恢复语义特征并降低任务性能。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.12

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.12

实验设置与主要结论

实验小节中明确出现的比较对象包括Turbo、QAM；指标包括accuracy；信道/链路条件包括AWGN、Rayleigh、fading channel、wireless channel；正文可定位的代表性工作点有SNR = 0 dB、SNR of 0 dB。 PDF p.10

实验结果表明，在通信受限的情况下，该方法显著提高了搜索精度和鲁棒性，具有FL的MU-SemCom-PS系统性能优于其他方法。 PDF p.1 PDF p.10

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,通过物联网设备传输大量信息是另一个挑战,这一挑战仍然存在。 因此,本文介绍了NORRIS;一种基于语义的点云数据传输技术,可以减轻传输的数据,同时增强对信道噪声的恢复能力。 核心证据目标：它还将传输的数据量减少了10倍,同时将含义提取速度加快了5倍。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，随着自动驾驶汽车（AV）、增强现实/虚拟现实（AR/VR）等物联网应用的出现，3D数据受到了极大的关注。 PDF p.1
2. 仍然存在的问题：然而，通过物联网设备传输大量信息是另一个挑战，这一挑战仍然存在。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：XR 与三维感知的数据量极大而交互时延敏感；以更少信道使用保住几何和任务关键对象，会直接降低空口负担。 PDF p.1
5. 本文提出什么：因此，本文介绍了NORRIS;一种基于语义的点云数据传输技术，可以减轻传输的数据，同时增强对信道噪声的恢复能力。 PDF p.1
6. 方案为何可能有效：我们进行了广泛的实验-使用训练/验证分割和资源受限设备上的评估-以优化我们的神经网络大小。 PDF p.6
7. 作者希望证明什么：它还将传输的数据量减少了10倍，同时将含义提取速度加快了5倍。 PDF p.1

方法与端到端信息流

因此，本文介绍了NORRIS;一种基于语义的点云数据传输技术，它可以减轻传输数据的影响，同时增强对信道噪声的抵抗能力。我们进行了大量的实验-使用训练/验证分割和对资源受限设备的评估-来优化我们的神经网络大小。为了解决这些限制，本文介绍了NORRIS：这是一个具有抗噪声能力和资源效率的框架，用于物联网基础设施中的语义编码和点云数据传输。 PDF p.1 PDF p.2 PDF p.6

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

之后，最大池化层将特征映射合并为独特的1024-D全局特征向量。 表示判定：NORRIS 的主传输单位属于“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.7

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.7

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

值得一提的是，在训练过程中，AWGN信道作为不可训练层被合并，并且训练模型时的SNR作为超参数提供。 信道处理归类为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.8

语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。 PDF p.8

实验设置与主要结论

数据集为ModelNet40；实验小节中明确出现的比较对象包括JSCC；指标包括MSE、accuracy、latency、PER；信道/链路条件包括AWGN；正文可定位的代表性工作点有SNR = 1 dB、SNR = 5 dB、SNR = 12 dB。 PDF p.7

它还将传输的数据量减少了10倍，同时将意义提取速度加快了5倍。NORRIS利用迁移学习来减少训练开销，并调整预训练架构，以实现高效的点云分类。 PDF p.1 PDF p.6

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：克服语义表示中的障碍并解决当前深度神经网络(DNN)中无法区分数据传输与其内在含义的缺陷是关键目标。 我们的方法包括两个阶段:1)阶段1:设计一个基于NLP的公平分类系统,利用无监督风格转换和零次学习等技术,将人类直觉与语义规范相结合。 核心证据目标：扩展训练和网络系统调整对于在SemCom中采用信道感知NLP功能至关重要,这提高了模型的性能。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：通过实验努力，我们探索了语义通信（SemCom）和自然语言处理（NLP）的交叉点，以解决SemCom模型中的差距，重点是减少歧义和增强6G通信。 PDF p.1
2. 仍然存在的问题：克服语义表示中的障碍并解决当前深度神经网络（DNN）中无法区分数据传输与其内在含义的缺陷是关键目标。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：一个 token 错误就可能改变整句含义，因此仅看 BER 不足以评价链路；必须追踪最终语言意义或任务输出。 PDF p.1
5. 本文提出什么：我们的方法包括两个阶段：1）阶段1：设计一个基于NLP的公平分类系统，利用无监督风格转换和零次学习等技术，将人类直觉与语义规范相结合。 PDF p.1
6. 方案为何可能有效：总之，这些阶段增强了我们对SemCom的理解和设计，在第二节中进一步详细介绍。 PDF p.2
7. 作者希望证明什么：扩展训练和网络系统调整对于在SemCom中采用信道感知NLP功能至关重要，这提高了模型的性能。 PDF p.9

方法与端到端信息流

我们的方法包括两个阶段：1）第一阶段：设计基于NLP的公平分类系统，利用无监督风格转换和零触发学习等技术，将人类直觉与语义规范相结合。这些阶段共同增强了我们对SemCom的理解和设计，详见第二节。我们使用NLP开发情感分析，以从数据集中识别和提取主观信息，如意见，情绪和态度。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

论文没有给出可复核的 VQ/codebook/index-to-bit 接口。系统模型中的传输表示属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：On Harnessing Semantic Communication With Natural Language Processing 的主传输单位属于“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.6

换算边界：若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

论文没有进一步规定可复现的物理层收发流程；由系统模型与实验条件可将信道作用点归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 信道处理归类为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.6

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.2 PDF p.6

实验设置与主要结论

实验小节中明确出现的比较对象包括BERT、RoBERTa；指标包括accuracy、BER；信道/链路条件包括AWGN、Rayleigh、fading channel、wireless channel。 PDF p.6

扩展训练和网络系统调整对于在SemCom中采用信道感知NLP功能至关重要，这提高了模型的性能。 PDF p.9

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。

论文主旨：然而,如何保证语义传递的可靠性和有效性仍然是一个研究难题。 该系统由语义计算和传统通信两部分组成。 核心证据目标：同时,交替优化算法和贪婪算法在平均能耗上均优于非语义算法。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：杨倩倩是信息科学与电子学院的黄崇文是信息科学与电子学院的N近年来，语义通信（SC）已成为现代通信系统中的一个关键范式，发挥着至关重要的作用。 PDF p.1
2. 仍然存在的问题：然而，如何保证语义传递的可靠性和有效性仍然是一个研究难题。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：该系统由语义计算和传统通信两部分组成。 PDF p.1
6. 方案为何可能有效：该系统由语义计算和传统通信两部分组成。 PDF p.1
7. 作者希望证明什么：同时，交替优化算法和贪婪算法在平均能耗上均优于非语义算法。 PDF p.15

方法与端到端信息流

该系统由以下两部分组成：语义计算和传统通信，综合考虑语义压缩的计算能量和传输能量，通过优化语义压缩比、传输功率、带宽和传输时间分配，使通信和计算的总能量最小。 PDF p.1 PDF p.3