IEEE Transactions on Vehicular Technology 语义通信与 DeepJSCC 调研（2023—至今）

论文主旨：然而,由于计算资源的限制,难以在边缘设备上支持精确语义模型的训练过程。 因此,本文提出了一种层次化的交易系统,可以同时支持语义模型交易和语义信息交易。 核心证据目标：对于语义信息交易,我们设计的拍卖方法能够支持多个语义信息买卖者之间的交易,同时保证了个体理性、激励相容性和预算平衡性,并使它们获得了比基线方法更高的效用。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信技术使得无线边缘设备能够通过传输数据的语义来进行有效的通信。 PDF p.1
2. 仍然存在的问题：然而，由于计算资源的限制，难以在边缘设备上支持精确语义模型的训练过程。 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：因此，本文提出了一种层次化的交易系统，可以同时支持语义模型交易和语义信息交易。 PDF p.1
6. 方案为何可能有效：语义通信技术使得无线边缘设备能够通过传输数据的语义来进行有效的通信。 PDF p.1
7. 作者希望证明什么：对于语义信息交易，我们设计的拍卖方法能够支持多个语义信息买卖者之间的交易，同时保证了个体理性、激励相容性和预算平衡性，并使它们获得了比基线方法更高的效用。 PDF p.1

方法与端到端信息流

因此，在本文中，我们提出了一个层次化的交易系统，以共同支持语义模型交易和语义信息交易。语义通信技术使无线边缘设备能够通过传递数据的语义来进行有效通信。我们率先提出了一种深度学习（DL），以确定语义模型到边缘设备的分配以及边缘设备要向模型提供商支付的价格。 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：Economics of Semantic Communication System: An Auction Approach 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

实验小节中明确出现的比较对象包括DeepSC、BERT；指标包括BLEU、accuracy、PER；信道/链路条件包括AWGN。 PDF p.9

对于语义信息交易，我们设计的拍卖方法能够支持多个语义信息买卖者之间的交易，同时保证了个体的理性、激励相容性和预算平衡，并且使得它们能够获得比基线方法更高的效用。 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：但是,若要将本材料用于任何其他目的,必须通过向pubs-permission@ieee.org发送请求,从IEEE获得许可。 为此,本文从网络的角度对SemCom进行了研究,系统地讨论了SC-Net中的用户关联(UA)和带宽分配(BA)两个基本问题。 核心证据目标：然而,在SemCom-enabled网络(SC-Nets)中,对背景知识匹配的独特需求使得为多个用户实现高效的无线资源管理具有挑战性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信（SemCom）被认为是保证未来无线网络高资源利用率和传输可靠性的一种有前途的解决方案。 PDF p.1
2. 仍然存在的问题：但是，若要将本材料用于任何其他目的，必须通过向pubs-permission@ieee.org发送请求，从IEEE获得许可。 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，本文从网络的角度对SemCom进行了研究，系统地讨论了SC-Net中的用户关联（UA）和带宽分配（BA）两个基本问题。 PDF p.1
6. 方案为何可能有效：在此基础上，针对每个SC-Net场景，提出了一个UA和BA的联合STM最大化问题，并给出了相应的最优解。 PDF p.1
7. 作者希望证明什么：然而，在SemCom-enabled网络（SC-Nets）中，对背景知识匹配的独特需求使得为多个用户实现高效的无线资源管理具有挑战性。 PDF p.1

方法与端到端信息流

为此，本文从网络的角度研究了SemCom，系统地研究了SC-Net中的用户关联（UA）和带宽分配（BA）这两个基本问题，并针对每种SC-Net场景建立了UA和BA的联合STM-最大化问题，给出了相应的最优解。我们的主要任务是在SemCom-enabled网络（SC-Net）中寻求最佳的无线资源管理策略，以语义感知的方式优化其整体网络性能。 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：SC-Nets 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

指标包括BLEU、accuracy。 PDF p.8

然而，SemCom-enabled网络（SC-Nets）对背景知识匹配的独特需求使得实现多用户的高效无线资源管理具有挑战性，并且在较高的SINR下观测到较高的BLEU，并且当SINR大于6 dB时，所获得的BLEU分数几乎相同。 PDF p.1 PDF p.10

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：在本文设定中,现有方法不能同时满足“文本传输或语言任务”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。 在本文中,我们设计了一个自动编码器和自动解码器,只传输这些关键字,并分别使用接收到的关键字和共享知识恢复数据。 核心证据目标：仿真结果表明,在给定精度下,所提出的SemCom系统设计方法在平均每句字数方面优于现有方法,所提出的DAP贪婪算法解的性能明显接近最优解。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：最近出现的6G提出了进一步提高传输数据速率以克服香农极限的挑战。 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“文本传输或语言任务”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：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：在本文中，我们设计了一个自动编码器和自动解码器，只传输这些关键字，并分别使用接收到的关键字和共享知识恢复数据。 PDF p.1
6. 方案为何可能有效：在本文中，我们设计了一个自动编码器和自动解码器，只传输这些关键字，并分别使用接收到的关键字和共享知识恢复数据。 PDF p.1
7. 作者希望证明什么：仿真结果表明，在给定精度下，所提出的SemCom系统设计方法在平均每句字数方面优于现有方法，所提出的DAP贪婪算法解的性能明显接近最优解。 PDF p.1

方法与端到端信息流

在本文中，我们设计了一个自动编码器和自动解码器，只发送这些关键字，并分别使用接收到的关键字和共享知识恢复数据。接下来，我们将所设计的SemCom系统应用于一个实际问题，其中发送方和接收方分别被假设为云服务器和数据中心。 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：data 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

在该模型中，将AWGN信道视为一个层。 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.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.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DeepSC、JSCC；指标包括BLEU、accuracy、latency、PER；信道/链路条件包括AWGN。 PDF p.9

仿真结果表明，本文提出的SemCom系统设计方法在给定的精度下，在平均每句字数方面优于现有的设计方法，文中提出的DAP的贪心算法解的性能明显接近最优解，在VI-B节中，所提出的贪婪算法优于贪婪代价算法。 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：然而,在实际应用中,无线传感器网络不仅面临着能量资源的限制,而且通信信道的不可靠性也是制约网络性能的重要因素,因此,将联合信源信道编码(Joint Source-Channel Coding,JSCC)与CS技术相结合,可以有效地提高无线传感器网络的性能。 更明确地说,我们将这一概念用于一个特定的方案,该方案使用少量的基于CS概念的物联网节点(IoTN)同时支持大量信号。 核心证据目标：自然地,该增益是以使所提出的迭代联合LDPC-CS解码方案的复杂度近似加倍为代价来实现的。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，JSCC已经在各种场景中得到了应用。 PDF p.1
2. 仍然存在的问题：然而，在实际应用中，无线传感器网络不仅面临着能量资源的限制，而且通信信道的不可靠性也是制约网络性能的重要因素，因此，将联合信源信道编码（Joint Source-Channel Coding，JSCC）与CS技术相结合，可以有效地提高无线传感器网络的性能。 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：更明确地说，我们将这一概念用于一个特定的方案，该方案使用少量的基于CS概念的物联网节点（IoTN）同时支持大量信号。 PDF p.1
6. 方案为何可能有效：基于DP-LDPC码在JSCC中的优势，以及无线传感器网络在能量受限和通信信道不可靠的情况下的特殊特性，本文提出了一种CS-LDPC方案，该方案允许少量的IoTN观测到大量稀疏时变信号。 PDF p.2
7. 作者希望证明什么：自然地，该增益是以使所提出的迭代联合LDPC-CS解码方案的复杂度近似加倍为代价来实现的。 PDF p.1

方法与端到端信息流

更明确地说，我们证明了这一概念的一个特定的计划，它支持大量的信号同时，使用少量的物联网节点（IoTN）的概念的基础上CS。受DP-LDPC码的优势JSCC和无线传感器网络的特殊属性，遭受约束的能源和不可靠的通信信道的启发，在本文中，我们提出了一种CS-LDPC方案，该方案允许少量的物联网节点观测到大量稀疏时变信号。受DP-LDPC码用于JSCC的优点以及无线传感器网络遭受能量资源受限和不可靠通信信道的特殊性质的启发，本文，我们设想了一种CS-LDPC方案，其允许少量的IoTN观察大量的稀疏时变信号。 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：LDPC 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.13

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

通过信道传输：通过加性白色高斯噪声（AWGN）信道发送IQ向量cm以获得IQ向量dm，其是具有与cm相同长度的复向量。 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.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.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；信道/链路条件包括AWGN；正文可定位的代表性工作点有SNR = -4.4 dB、SNR = -6 dB、SNR = -5.2 dB、SNR of -6 dB、SNR= -4.4 dB。 PDF p.13

当然，这种增益是以所提出的迭代联合LDPC-CS解码方案的复杂度大约加倍为代价来实现的。更具体地说，本节中给出的BLER图表明，我们提出的方案在稍微增加复杂度的情况下优于单独的LDPC/CS基准测试。 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：然而,为了提供真实的体验,VSP需要从无人机(UAV)等边缘设备收集最新的相关数据,这些数据对延迟敏感且资源密集。 为了解决这一挑战,我们提出了一个语义通信框架,该框架利用场景图的提取和交易来降低通信成本,并促进Metaverse服务的数据传输。 核心证据目标：仿真实验表明,该系统在传输过程中仅使用12.5%的特征就能保持模型的平均查全率。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信在数据传输过程中利用深度神经网络对语义信息进行编码和解码，具有降低通信代价的优点，在抗噪性和节省资源方面表现出了良好的鲁棒性。 PDF p.1
2. 仍然存在的问题：然而，为了提供真实的体验，VSP需要从无人机（UAV）等边缘设备收集最新的相关数据，这些数据对延迟敏感且资源密集。 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：为了解决这一挑战，我们提出了一个语义通信框架，该框架利用场景图的提取和交易来降低通信成本，并促进Metaverse服务的数据传输。 PDF p.1
6. 方案为何可能有效：这些模型不是为特定的通信系统设计的，因此我们可以将它们部署为Metaverse中大量不同应用程序和服务的语义编码器和解码器。 PDF p.2
7. 作者希望证明什么：仿真实验表明，该系统在传输过程中仅使用12.5%的特征就能保持模型的平均查全率。 PDF p.1

方法与端到端信息流

为了解决这一挑战，我们提出了一个语义通信框架，该框架利用场景图的提取和交易来降低通信成本并促进Metaverse服务的数据传输。这些模型不是为特定的通信系统设计的，因此我们可以将它们部署为Metaverse中大量不同应用程序和服务的语义编码器和解码器。为了解决这些挑战，在本文中，我们提出了一个用于Metaverse的语义通信框架，其中数据传输和交易被联合考虑，以经济有效的方式维持物理和虚拟世界之间的同步。 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：UAV-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 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 5：沿用底层链路或抽象速率—效用模型

其次，为了进行信道评估，我们在各种无线信道条件下对系统进行了测试，包括AWGN信道、Rician衰落信道和Rayleigh衰落信道。 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.12

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.12

实验设置与主要结论

信道/链路条件包括AWGN、Rayleigh、Rician、fading channel、wireless channel；正文可定位的代表性工作点有SNR of 9 dB。 PDF p.11

仿真结果表明，该算法在传输过程中仅使用12.5%的特征就能保持模型的平均查全率，并且随着信噪比的增加，查全率逐渐提高，在所有实验中，该算法的图像利用率均高于随机算法。 PDF p.1 PDF p.13

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,在高动态的车载网络中,语义信息的传输面临着可靠性和稳定性的挑战。 核心证据目标：本论文的主要贡献表现在以下几个方面:r本文提出了一种将语义通信与一种新颖的长期资源分配方案相结合的方法来实现有效的链路传输,大大提高了传输效率和资源利用率。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：该语义通信机制使得车载网络中的无线设备能够更有效地利用语义进行通信。 PDF p.1
2. 仍然存在的问题：然而，在高动态的车载网络中，语义信息的传输面临着可靠性和稳定性的挑战。 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：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：然而，在高动态的车载网络中，语义信息的传输面临着可靠性和稳定性的挑战。 PDF p.1
6. 方案为何可能有效：结合语义通信和D2D技术的优点，提出了一种结合应用层接入控制和物理层鲁棒功率控制的长期鲁棒资源分配方案。 PDF p.2
7. 作者希望证明什么：本论文的主要贡献表现在以下几个方面：r本文提出了一种将语义通信与一种新颖的长期资源分配方案相结合的方法来实现有效的链路传输，大大提高了传输效率和资源利用率。 PDF p.2

方法与端到端信息流

然而，在高动态车载网络中，语义信息的传输面临着可靠性和稳定性的挑战，本文结合语义通信和D2 D技术的优势，提出了一种长期鲁棒的资源分配方案，该协议结合了应用层的访问控制和物理层的鲁棒功率控制，针对D2 D技术，提出了一种将应用层的接入控制和物理层的鲁棒功率控制相结合的长期鲁棒资源分配方案。 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：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：D2D 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、throughput。 PDF p.2

贡献本工作的主要贡献如下：提出了一种语义通信与长期资源分配相结合的方法，实现了有效的链路传输，大大提高了传输效率和资源利用率，仿真结果表明，数据队列稳定，实现了低时延、高可靠性的语义通信。保证了用户的QoS要求，特别是系统的鲁棒性和功耗优于基准测试。 PDF p.2 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,相对于通信的目的,它们对于可能在实时约束内的多模态数据可能是不切实际的。 为此,大多数新兴的SC作品都专注于特定的数据类型,并采用复杂的机器学习模型,包括深度学习和神经网络。 核心证据目标：这种方法可以动态地最大化6G网络的效用,显著降低采样率和工厂侧的相应能耗,这对于工业4.0系统中的低功耗和能量收集传感器至关重要。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在香农理论中，沟通的语义方面被确定，但被认为与技术沟通问题无关。 PDF p.1
2. 仍然存在的问题：然而，相对于通信的目的，它们对于可能在实时约束内的多模态数据可能是不切实际的。 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，大多数新兴的SC作品都专注于特定的数据类型，并采用复杂的机器学习模型，包括深度学习和神经网络。 PDF p.1
6. 方案为何可能有效：I-B和II-A，我们的目标是为SC开发一种准确的语义提取方法，以促进6G网络上的联合优化（信息收集，信息传播和决策）。 PDF p.2
7. 作者希望证明什么：这种方法可以动态地最大化6G网络的效用，显著降低采样率和工厂侧的相应能耗，这对于工业4.0系统中的低功耗和能量收集传感器至关重要。 PDF p.8

方法与端到端信息流

为此，大多数新兴的SC作品都专注于特定的数据类型，并采用复杂的机器学习模型，包括深度学习和神经网络。I-B和II-A，我们的目标是为SC开发准确的语义提取方法，以促进联合优化I-B和II-A，我们的目标是为SC开发一种精确的语义提取方法，以促进6G网络上的联合优化（信息收集、信息分发和决策）。 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：Understand-Before-Talk (UBT) 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CIFAR-10；实验小节中明确出现的比较对象包括BERT；指标包括latency；信道/链路条件包括AWGN、Rayleigh、Rician。 PDF p.7

这种方法可以动态地最大化6G网络的效用，显著降低采样率和相应的工厂侧能耗，这对于工业4.0系统中的低功耗和能量收集传感器至关重要。 PDF p.8

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：然而,传统的通信系统不太适合于大规模点云数据传输,因为这样的系统在比特级操作,而不利用点云的固有语义信息。 本文介绍了一个基于点云的语义通信系统(PCSC),它利用基于AI的编码技术从点云中提取语义信息。 核心证据目标：实验结果表明,该方法在PSNR D1和PSNR D2指标下比传统方法提高了10 dB,同时有效地抑制了传输中的“悬崖效应”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：点云作为一种3D表示，在自动驾驶、虚拟现实（VR）和增强现实（AR）等领域有着广泛的应用。 PDF p.1
2. 仍然存在的问题：然而，传统的通信系统不太适合于大规模点云数据传输，因为这样的系统在比特级操作，而不利用点云的固有语义信息。 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：本文介绍了一个基于点云的语义通信系统（PCSC），它利用基于AI的编码技术从点云中提取语义信息。 PDF p.1
6. 方案为何可能有效：为了解决这个问题，本文提出了一个点云语义通信系统，名为PCSC，在物理层运行。 PDF p.2
7. 作者希望证明什么：实验结果表明，该方法在PSNR D1和PSNR D2指标下比传统方法提高了10 dB，同时有效地抑制了传输中的“悬崖效应”。 PDF p.1

方法与端到端信息流

本文介绍了一个基于点云的语义通信系统（PCSC），该系统利用基于人工智能的编码技术从点云中提取语义信息。为了解决这个问题，本文提出了一个运行在物理层的点云语义通信系统（PCSC）。 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

PCSC只需要训练一次，就可以根据编码后的语义向量的值和梯度在潜在表示中生成各种不同的码率，在16 QAM + 1/2 LDPC和BPSK + 1/2 LDPC的PCSC中，比特错误的发生被认为是随机的，与bitstream中编码的点云的语义特征无关。 表示判定：PCSC 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.13

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：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

在AWGN信道下，比较了不同CBR条件下不同点云通信系统的性能，在信噪比为10 dB的AWGN信道下，比较了采用八叉树（G-PCC）、三叉树（G-PCC）和BPSK+1/2 LDPC的PCL的KITTI和S3 DIS的性能。 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 PDF p.13

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 PDF p.13

实验设置与主要结论

数据集为ShapeNet、S3DIS、KITTI、UVG；实验小节中明确出现的比较对象包括DeepSC、JSCC、LDPC、ResNet；指标包括PSNR、MSE、mAP、PER；信道/链路条件包括AWGN、Rayleigh；正文可定位的代表性工作点有SNR = 10 dB、SNR=10 dB、SNR of 10 dB、at 0 dB SNR。 PDF p.10

实验结果表明，在PSNR D1和PSNR D2指标下，该方法比传统方法提高了10 dB，同时有效地抑制了传输中的“悬崖效应”，并且VSV和VGSV方法在文本、图像和视频中的性能都略高于基于熵的方法。 PDF p.1 PDF p.12

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,上述工作都没有解决与这种语义通信系统的训练过程相关联的数据隐私问题,这造成了显著的缺点。 此外,我们设计我们的系统,以降低通信开销,减少信息量交付的每一轮FL训练。 核心证据目标：一系列仿真实验验证了所提算法的有效性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信由于其减轻数据冗余的能力而成为下一代通信系统的支柱。 PDF p.1
2. 仍然存在的问题：然而，上述工作都没有解决与这种语义通信系统的训练过程相关联的数据隐私问题，这造成了显著的缺点。 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：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：此外，我们设计我们的系统，以降低通信开销，减少信息量交付的每一轮FL训练。 PDF p.1
6. 方案为何可能有效：左侧的图展示了在语义通信系统中提出的联邦学习框架。 PDF p.2
7. 作者希望证明什么：一系列仿真实验验证了所提算法的有效性。 PDF p.1

方法与端到端信息流

另外，我们设计了一个系统，通过减少每个FL训练轮中传递的信息量来降低通信开销。左图展示了在语义通信系统中提出的联邦学习框架。 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：An Efficient Federated Learning Framework for Training Semantic Communication Systems 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.3

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.3

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.3

实验设置与主要结论

数据集为ImageNet、DIV2K；实验小节中明确出现的比较对象包括FedAvg；指标包括PSNR、MSE、mAP、PER。 PDF p.3

一系列仿真实验验证了所提算法的有效性。 PDF p.1

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：针对这些挑战,我们的工作引入了一种创新的自适应速率编码机制,该机制捕获图像的内在语义,并根据语义互连概率微调编码速率。 目前的方法还引入了不必要的冗余,损害了传输效率。 核心证据目标：该方法不仅改进了现有的语义保真度指标,但也减少了传输复杂图像的比特需求。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：尽管深度学习在语义通信方面取得了进展，但传统的固定长度编码无法充分解决语义内容的可变复杂性，通常会导致关键细微差别的丢失和通信准确性的降低。 PDF p.1
2. 仍然存在的问题：针对这些挑战，我们的工作引入了一种创新的自适应速率编码机制，该机制捕获图像的内在语义，并根据语义互连概率微调编码速率。 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：目前的方法还引入了不必要的冗余，损害了传输效率。 PDF p.1
6. 方案为何可能有效：我们的工作介绍了一种自适应速率机制，专门设计用于语义通信，优化编码的图像的基础上，其内在的语义属性和无线信道的普遍特点。 PDF p.2
7. 作者希望证明什么：该方法不仅改进了现有的语义保真度指标，但也减少了传输复杂图像的比特需求。 PDF p.1

方法与端到端信息流

当前的方法也引入了不必要的冗余，损害了传输效率。我们的工作引入了一个自适应的速率机制为语义通信量身定制，专门设计来优化编码的图像的基础上，其内在的语义属性和无线信道的主要特点。 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：An Image Adaptive Rate Mechanism in Semantic Communication for Image Endogenous Semantics 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

在训练方面，利用GPU图形内存比较大的优势，在训练阶段将图像随机裁剪为256 × 256，并且将每个补丁的分辨率设置为（16 × 16），我们的批量大小仍然可以达到180，这有助于提高梯度下降算法的稳定性。 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

我们使用加性白色高斯噪声和瑞利衰落信道来模拟真实的无线通信中的信道条件。 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.5

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.5

实验设置与主要结论

数据集为CIFAR-10、Kodak、CLIC、DIV2K；实验小节中明确出现的比较对象包括BPG、JSCC、LDPC、QAM；指标包括PSNR、SSIM、MS-SSIM、MSE、accuracy、mAP、PER；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 10 dB、SNR=10 dB。 PDF p.9

该方法不仅改进了现有的语义保真度指标，而且降低了传输复杂图像的比特需求，可以看出，我们的方法也优于同类型的深度学习方法，并且在更苛刻的压缩率条件下，我们的算法优势更加明显，算法性能更接近“BPG+capacity”方案的容量。 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：然而,必须认识到,基于深度学习的SemCom容易受到后门攻击,这会给ICV带来重大的安全风险。 为此,本研究引入了一种新的后门攻击,称为隐蔽语义后门攻击(CSBA),专门针对支持SemCom的ICV而设计。 核心证据目标：语义通信(SemCom)可以在有限的无线频谱下减少智能互联车辆(ICV)的数据流量。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：为此，本研究引入了一种新的后门攻击，称为隐蔽语义后门攻击（CSBA），专门针对支持SemCom的ICV而设计。 PDF p.1
2. 仍然存在的问题：然而，必须认识到，基于深度学习的SemCom容易受到后门攻击，这会给ICV带来重大的安全风险。 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：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：为此，本研究引入了一种新的后门攻击，称为隐蔽语义后门攻击（CSBA），专门针对支持SemCom的ICV而设计。 PDF p.1
6. 方案为何可能有效：为此，本研究引入了一种新的后门攻击，称为隐蔽语义后门攻击（CSBA），专门针对支持SemCom的ICV而设计。 PDF p.1
7. 作者希望证明什么：语义通信（SemCom）可以在有限的无线频谱下减少智能互联车辆（ICV）的数据流量。 PDF p.1

方法与端到端信息流

为此，本文提出了一种针对SemCom智能控制车辆的新型后门攻击方法--隐蔽语义后门攻击（CSBA），主要工作如下：1）提出了一种隐蔽语义级后门攻击方法--CSBA，用于识别SemCom智能控制车辆传输阶段的潜在漏洞，促进更先进的防御方案的开发。 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：CSBA 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.4

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.4

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.4

实验设置与主要结论

数据集为Cityscapes；指标包括PSNR、MSE；信道/链路条件包括wireless channel；正文可定位的代表性工作点有SNR = 20 dB、SNR from 5 dB。 PDF p.4

语义通信（SemCom）可以在有限的无线频谱下减少智能互联车辆（ICV）的数据流量。 PDF p.1

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：然而,他们往往忽略了在整个传输过程中所传递的信息的潜在意义和目的。 本文提出了一种通过加入源-信道-主机-任务(JSCHT)方面来优化图像语义通信系统的方法。 核心证据目标：与之前的方法相比,它在20 dB处优于提议的方法。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在图像语义通信中，通信系统的效能受到多种因素的复杂影响，包括图像压缩率、语义噪声、信道噪声等。 PDF p.1
2. 仍然存在的问题：然而，他们往往忽略了在整个传输过程中所传递的信息的潜在意义和目的。 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：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：本文提出了一种通过加入源-信道-主机-任务（JSCHT）方面来优化图像语义通信系统的方法。 PDF p.1
6. 方案为何可能有效：与现有的方法采用固定的信道模型，我们提出了一种新的端到端的语义通信架构，利用JSCHT优化。 PDF p.3
7. 作者希望证明什么：与之前的方法相比，它在20 dB处优于提议的方法。 PDF p.13

方法与端到端信息流

提出了一种基于信源-信道-主机-任务（Source-Channel-Host-Task，JSCHT）的图像语义通信系统优化方法。与现有的基于固定信道模型的图像语义通信系统不同，本文提出了一种基于JSCHT优化的端到端图像语义通信系统结构。当信道的信噪比低于该阈值时，从而导致接收质量的急剧下降。采用源-信道-主机-任务（Source-Channel-Host-Task，JSCHT）优化方法，训练过程在开发复杂的鲁棒性和灵活性的语义通信框架时达到高潮。 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：JSCHT 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

设初始图像数据大小表示为U KB，我们建立压缩比CR作为图像经受压缩的程度的量化器：V %，（3）U其中V是压缩数据KB的大小。 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

当压缩数据在信道上传输时，信息进一步受到信道噪声的影响。 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.5

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.5

实验设置与主要结论

数据集为Kaggle；指标包括PSNR、accuracy；信道/链路条件包括AWGN、fading channel。 PDF p.10

在信噪比降低到-25dB时，分类准确率可达80%以上，峰值信噪比可达25以上。 PDF p.12 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：然而,随着对高传输数据速率的更高要求,传统的以数据为中心的通信系统面临着性能限制。 为此,本文设计了一种基于资源分配的安全可靠的SemCom方法,以联合优化信道选择和发送语义符号的数量为目标,在不同的服务质量要求下,最大化安全语义传输速率(SS-R)。 核心证据目标：仿真实验结果表明,该算法在不同场景下的性能均优于基线和基准算法。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，在SemCom潜力的推动下，相关研究也在不断深入。 PDF p.1
2. 仍然存在的问题：然而，随着对高传输数据速率的更高要求，传统的以数据为中心的通信系统面临着性能限制。 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：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，本文设计了一种基于资源分配的安全可靠的SemCom方法，以联合优化信道选择和发送语义符号的数量为目标，在不同的服务质量要求下，最大化安全语义传输速率（SS-R）。 PDF p.1
6. 方案为何可能有效：然后，将优化问题建模为一个具有外部性的多对一匹配问题，提出了一种低复杂度的基于交换的安全资源分配算法。 PDF p.2
7. 作者希望证明什么：仿真实验结果表明，该算法在不同场景下的性能均优于基线和基准算法。 PDF p.1

方法与端到端信息流

为此，本文设计了一种基于资源分配的安全可靠的SemCom方法，以在不同的服务质量要求下，信道选择和发送语义符号的数量联合优化，使安全语义传输速率（SS-R）最大化为目标，将优化问题建模为一个具有外部性的多对一匹配问题，然后，将优化问题建模为一个具有外部性的多对一匹配问题，提出了一种低复杂度的基于交换的安全资源分配算法。 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：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：Game-Guided Matching Theory-Based Resource Allocation for Secure Semantic 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.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 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.4

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.4

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、semantic similarity、PER。 PDF p.4

仿真结果表明，在不同场景下，所提方法的性能均优于基准和基准，在适当的迭代条件下，SSRA和SSRA-FA能够有效地利用资源，在所提的博弈指导框架下灵活地对抗有限的攻击，从而优于RM和RMF，其中SSRA的SSR高于ENS和Greedy，且接近上限。 PDF p.1 PDF p.5

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：主要的挑战在于调整基于深度神经网络(DNN)的2024的设计目标。 在本文中,我们介绍了一个统一的设计框架,以协调学习和沟通的目标为基础的Infomax原则。 核心证据目标：仿真结果表明,与基准算法相比,该方法具有更高的分类精度。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：可重构智能表面（RIS）是一种很有前途的提高语义通信系统性能的技术。 PDF p.1
2. 仍然存在的问题：主要的挑战在于调整基于深度神经网络（DNN）的2024的设计目标。 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：在本文中，我们介绍了一个统一的设计框架，以协调学习和沟通的目标为基础的Infomax原则。 PDF p.1
6. 方案为何可能有效：总而言之，我们通过以下概率模型对整个传输和推理过程进行建模：f ζ（·）使用随机梯度下降优化目标。 PDF p.2
7. 作者希望证明什么：仿真结果表明，与基准算法相比，该方法具有更高的分类精度。 PDF p.1

方法与端到端信息流

本文介绍了一个基于Infomax原理的统一设计框架，该框架将学习目标和通信目标统一起来，并通过以下概率模型对整个传输和推理过程进行了建模：f ζ（·）使用随机梯度下降优化目标。f ζ（·）使用随机梯度下降法优化目标。 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：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-Aided 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.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 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.4

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.4

实验设置与主要结论

数据集为CIFAR-10；指标包括mAP；信道/链路条件包括wireless channel。 PDF p.4

仿真结果表明，与基准分类器相比，本文提出的方法具有更高的分类准确率和更好的性能。 PDF p.1 PDF p.5

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,如何有效地从LR图像中提取语义信息来重建HR图像,并减少无线信道的不利影响,构建一种联合信源信道编码(JSCC)方法,是当前研究的热点。 文中提出了一种面向语义通信中图像SR任务的深度语义信息提取(DSIE)模型。 核心证据目标：总体而言,我们的设计在0-12 dB范围内的SNR方面明显且显著优于所有基线方案。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，随着变形金刚各种视觉变体的不断推出，以CNN为主导的影像SR领域也开始将变形金刚纳入其中，以提升车型性能。 PDF p.1
2. 仍然存在的问题：然而，如何有效地从LR图像中提取语义信息来重建HR图像，并减少无线信道的不利影响，构建一种联合信源信道编码（JSCC）方法，是当前研究的热点。 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：文中提出了一种面向语义通信中图像SR任务的深度语义信息提取（DSIE）模型。 PDF p.1
6. 方案为何可能有效：本工作旨在训练N在语意沟通系统中实现一个JSCC方案。 PDF p.2
7. 作者希望证明什么：总体而言，我们的设计在0-12 dB范围内的SNR方面明显且显著优于所有基线方案。 PDF p.5

方法与端到端信息流

本文提出了一个用于语义通信中图像SR任务的深度语义信息抽取（DSIE）模块，旨在训练N在语义通信系统中实现一个JSCC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：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：Joint Source-Channel Coding for Image Super-Resolution Tasks in Semantic Communications 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

首先，我们利用一个3 × 3的卷积层Tcnv 1来提取浅层语义信息Fs，记为Fs = Tcnv 1（I）。 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.4

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.4

实验设置与主要结论

数据集为DIV2K；实验小节中明确出现的比较对象包括JSCC；信道/链路条件包括wireless channel。 PDF p.4

总体而言，我们的设计在0-12 dB范围内的SNR方面明显且显著优于所有基线方案。 PDF p.5

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：现有的语义通信系统大多假设通信节点共享同一公共知识库,而忽略了私有知识的不可知性和多样性,从而导致知识差异。 具体地说,我们提出知识映射来解决不可知问题,将未知知识与已知先验知识进行匹配。 核心证据目标：这说明了隐私知识推理作为一种有效的知识冲突隐私保护方法的有效性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信是一种新兴的交流模式，它依靠深层神经网络和知识库来实现所需信息意义的正确传递。 PDF p.1
2. 仍然存在的问题：现有的语义通信系统大多假设通信节点共享同一公共知识库，而忽略了私有知识的不可知性和多样性，从而导致知识差异。 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：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：具体地说，我们提出知识映射来解决不可知问题，将未知知识与已知先验知识进行匹配。 PDF p.1
6. 方案为何可能有效：具体地说，我们提出知识映射来解决不可知问题，将未知知识与已知先验知识进行匹配。 PDF p.1
7. 作者希望证明什么：这说明了隐私知识推理作为一种有效的知识冲突隐私保护方法的有效性。 PDF p.1

方法与端到端信息流

本文提出了一种面向知识差异的隐私保护方法（KDPP）来降低隐私风险，该方法通过知识映射来解决不可知性问题，将未知知识映射到已知先验知识中去，从而降低了隐私风险。 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：KDPP 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ETC；指标包括accuracy。 PDF p.6

这表明隐私知识推理是一种有效的隐私保护方法，为了保证更高的信息利用率和更小的隐私风险，有必要选择性地去除对隐私推理贡献较大的路径。 PDF p.1 PDF p.5

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：然而,传统的RIS不考虑数据的类型或特定的通信任务。 本文介绍了交替块梯度投影(ABGP)算法和反射梯度投影(RGP)算法,设计了预编码器和RIS。 核心证据目标：它以更少的元件实现了与一般RIS设计相当的性能,确保了特定于任务的增强。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：可重构智能表面（RIS）通过智能地调节信号传播在增强无线通信方面显示出了前景。 PDF p.1
2. 仍然存在的问题：然而，传统的RIS不考虑数据的类型或特定的通信任务。 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：本文介绍了交替块梯度投影（ABGP）算法和反射梯度投影（RGP）算法，设计了预编码器和RIS。 PDF p.1
6. 方案为何可能有效：问题描述与传统方法侧重于优化一般沟通指标不同，我们的系统统一了学习和沟通的优化目标。 PDF p.2
7. 作者希望证明什么：它以更少的元件实现了与一般RIS设计相当的性能，确保了特定于任务的增强。 PDF p.1

方法与端到端信息流

我们引入了交替块梯度投影（ABGP）和反射梯度投影（RGP）算法来设计预编码器和RIS。问题描述与传统方法侧重于优化一般通信度量不同，我们的系统统一了学习和通信两方面的优化目标，然而本文，我们假设RIS和预编码优化的CSI都是完美的，以简化分析并集中于设计框架。 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：Maximal Coding Rate Reduction 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.4

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

特别地，我们将传输信道建模为Rayleigh衰落信道。 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.2

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

实验设置与主要结论

指标包括accuracy、classification accuracy、mAP；正文可定位的代表性工作点有SNR from -20 dB、SNR from -14 dB。 PDF p.4

它以更少的元件实现了与一般RIS设计相当的性能，确保了针对任务的增强。具体地说，我们使用MCR 2来训练特征编码器从捕获的图像中提取与任务相关的特征，从而减少了通信开销。 PDF p.1 PDF p.3

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：但是,若要将本材料用于任何其他目的,必须通过向pubs-permission@ieee.org发送请求,从IEEE获得许可。 同时,对传统的联合协议图外部信息传递(JP-EXIT)算法进行了简化,提出了一种“基于未传输协议图的EXIT(UP-EXIT)算法,”用于计算JSC-BC的源阈值。 核心证据目标：理论分析和仿真结果表明,在较小的窗口尺寸和较低的译码复杂度下,SC-JSCC的各子块空间耦合结构(信源原矩阵、信道原矩阵、SCCV连接矩阵和SVCC连接矩阵)比现有的空间耦合DP-LDPC码具有更好的误码性能。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文首先提出了一种新的联合信源信道分组码（JSC-BC），其中两个基于协议图的低密度奇偶校验（P-LDPC）分组码不仅通过信源可变信道校验（SVCC）连接矩阵连接，而且还通过信源可变信道校验（SCCV）连接矩阵连接，SCCV连接矩阵由一个零矩阵和一个对角为“1“的下三角（基）矩阵或上三角（基）矩阵组成。 PDF p.1
2. 仍然存在的问题：但是，若要将本材料用于任何其他目的，必须通过向pubs-permission@ieee.org发送请求，从IEEE获得许可。 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：同时，对传统的联合协议图外部信息传递（JP-EXIT）算法进行了简化，提出了一种“基于未传输协议图的EXIT（UP-EXIT）算法，”用于计算JSC-BC的源阈值。 PDF p.1
6. 方案为何可能有效：本文首先提出了一种新的联合信源信道分组码（JSC-BC），其中两个基于协议图的低密度奇偶校验（P-LDPC）分组码不仅通过信源可变信道校验（SVCC）连接矩阵连接，而且还通过信源可变信道校验（SCCV）连接矩阵连接，SCCV连接矩阵由一个零矩阵和一个对角为“1“的下三角（基）矩阵或上三角（基）矩阵组成。 PDF p.1
7. 作者希望证明什么：理论分析和仿真结果表明，在较小的窗口尺寸和较低的译码复杂度下，SC-JSCC的各子块空间耦合结构（信源原矩阵、信道原矩阵、SCCV连接矩阵和SVCC连接矩阵）比现有的空间耦合DP-LDPC码具有更好的误码性能。 PDF p.1

方法与端到端信息流

此外，我们还对传统的联合协议图外部信息传递（JP-EXIT）算法进行了简化，提出了一种用于计算JSC-BC的源阈值的“基于未传输协议图的EXIT（UP-EXIT）算法，"我们首先提出了一种新的联合信源信道分组码（JSC-BC），该码中两个基于协议图的低密度奇偶校验（P-LDPC）分组码不仅通过一个信源可变信道连接，而且还通过一个信源信道可变信道连接。然后，本文在UPEXIT算法和JP-EXIT算法的基础上，提出了一种综合考虑信源门限和信道门限的全局优化算法，并在此算法的基础上，提出了一种基于UPEXIT算法和JP-EXIT算法的JSCBC的全局优化算法。 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：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：LDPC 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.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 2：语义特征映射为调制符号或编码包

在本节中，我们构造了一些用于低熵的JSC-BC。示例#1：我们考虑了所设计的DP-LDPC分组码和高熵源。 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.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.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、LDPC；指标包括latency。 PDF p.10

理论分析和计算机仿真结果表明，即使在较小的窗口尺寸和较低的译码复杂度下，各子块采用空间耦合结构的SC-JSCC也能有效地提高译码的性能（源原矩阵、信道原矩阵、SCCV链接矩阵、和SVCC链接矩阵）可以获得比现有空间耦合DP-LDPC码更好的差错性能，注意，将SC-与本节中给出的仿真结果相比，JSCC和SC-DP-LDPC码可导致改进的错误性能。 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,在Alice和大卫(或等效地Carol和Bob)之间,由于缺少对交叉对(具体地,ENC 1 DEC 2)的联合训练,Alice生成的SR可能不总是被解释为在大卫处所期望的。 为了在多个神经元收发器上对齐语义,我们提出了一种基于分布式学习的解决方案,该方案利用了分裂学习(SL)和部分NN微调技术。 核心证据目标：从显示ε12和TX 1和RX 2的冻结参数l的各种情况下的性能的结果中,我们可以观察到以下情况。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，语义通信的研究通常依赖于基于神经网络（NN）的收发器，如深度联合信源信道编码（DeepJSCC）。 PDF p.1
2. 仍然存在的问题：然而，在Alice和大卫（或等效地Carol和Bob）之间，由于缺少对交叉对（具体地，ENC 1 DEC 2）的联合训练，Alice生成的SR可能不总是被解释为在大卫处所期望的。 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：为了在多个神经元收发器上对齐语义，我们提出了一种基于分布式学习的解决方案，该方案利用了分裂学习（SL）和部分NN微调技术。 PDF p.1
6. 方案为何可能有效：为此，本文提出了一种新的DeepJSCC细调方法，称为SL与层冻结（SLF）。 PDF p.2
7. 作者希望证明什么：从显示ε12和TX 1和RX 2的冻结参数l的各种情况下的性能的结果中，我们可以观察到以下情况。 PDF p.4

方法与端到端信息流

为了在多个神经元收发器之间进行语义对齐，我们提出了一种基于分布式学习的解决方案，该方案利用了分裂学习（SL）和部分神经元微调技术。为此，我们提出了一种新的DeepJSCC微调方法，称为SL和层冻结（SLF）。 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

这种未对准的SC不太可能成功，因为就其源数据（即Xi和Xj）以及信道特性（即εii和εjj）而言，TXi的θ i和它的原始码本Cii以及RXj的φj和γ j偏向于它们单独的预训练环境。 表示判定：DeepJSCC 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.4

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.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CIFAR-10、MNIST；实验小节中明确出现的比较对象包括DeepJSCC、JSCC；指标包括SSIM、MSE、accuracy、latency、PER。 PDF p.3

从结果中可以看出，对于TX 1和RX 2，ε12和冻结参数l的各种情况下的性能，我们可以观察到以下几点。通过分层冻结的分割学习来对齐语义在本文中，我们重点讨论了前面提到的多用户SC的语义不对齐问题，且旨在使SC对于具有低等待时间以及低通信和计算成本不同源数据和/或信道是鲁棒的。 PDF p.2 PDF p.4

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,在保持任务性能的同时减少特征传输开销仍然是一个挑战,特别是在有噪声的无线信道的情况下。 本文提出了一种基于脉冲神经网络(SNN)的语义通信(SC)模型SNN-SC,该模型从特征中提取紧凑的语义信息,并通过数字二进制信道进行传输。 核心证据目标：与传统的信源信道分离编码方法相比,SNN-SC算法具有更高的压缩比,克服了“悬崖效应”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：协作智能（CI）已成为在资源受限的边缘设备上部署人工智能（AI）模型的一种有前途的框架。 PDF p.1
2. 仍然存在的问题：然而，在保持任务性能的同时减少特征传输开销仍然是一个挑战，特别是在有噪声的无线信道的情况下。 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：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脉冲神经网络（SNN）的语义通信（SC）模型SNN-SC，该模型从特征中提取紧凑的语义信息，并通过数字二进制信道进行传输。 PDF p.1
6. 方案为何可能有效：本文提出了一种新的基于SNN的SC框架SNN-SC，用于在数字信道上传输特征信息。 PDF p.2
7. 作者希望证明什么：与传统的信源信道分离编码方法相比，SNN-SC算法具有更高的压缩比，克服了“悬崖效应”。 PDF p.1

方法与端到端信息流

本文提出了一种基于脉冲神经网络（SNN）的语义通信（SC）模型SNN-SC，该模型从特征中提取紧凑的语义信息，并通过数字二进制信道进行传输。本文提出了一种新的基于SNN的SC框架SNN-SC，用于在数字信道上传输特征。 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：显式数字语义表示：bit、离散 token 或码本 index

与基于深度神经网络（Deep Neural Network，DNN）的SC模型的浮点输出相比，SNN的二进制输出使得SNN-SC不需要额外的量化就可以直接应用于数字二进制信道，SNN-SC不仅消除了显式量化的需要，而且具有强大的抗噪声能力。 表示判定：SNN-SC 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.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

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：数字语义变量接入调制、信道编码或 OFDM 链路”。 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.2 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.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JPEG、ResNet；指标包括accuracy、classification accuracy、mIoU、latency、PER；信道/链路条件包括BSC、BEC、wireless channel。 PDF p.9

与传统的信源信道分离编码方法相比，SNN-SC具有更高的压缩比，克服了“悬崖效应，”当误码率低于0.1时，SNN-SC的性能与基线非常接近，表明信道条件良好，SNN-SC的性能与基线的差距小于0.5%，是可以接受的。 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,无线传输的开放性和相同数据类型的用户之间存在同质KB,这在SemCom中带来了隐私泄露的风险。 为了解决这一问题,我们提出利用同时发射和反射可重构智能表面(STAR-RIS)来实现SemCom系统中的隐私保护。 核心证据目标：仿真结果表明,在保护SemCom隐私方面,我们生成的任务级干扰优于其他基准测试,Eve的任务成功率明显低于其他基准测试。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文针对SemCom-enabled服务中的隐私保护问题提出了一种基于STAR-RIS的隐私保护方法，该方法可以有效地保护SemCom-enabled服务中的隐私。 PDF p.1
2. 仍然存在的问题：然而，无线传输的开放性和相同数据类型的用户之间存在同质KB，这在SemCom中带来了隐私泄露的风险。 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：为了解决这一问题，我们提出利用同时发射和反射可重构智能表面（STAR-RIS）来实现SemCom系统中的隐私保护。 PDF p.1
6. 方案为何可能有效：在该系统中，STAR-RIS被用于增强基站和目的用户之间的SemCom信号传输，以及将信号转换为专门针对窃听者（Eve）的干扰。 PDF p.1
7. 作者希望证明什么：仿真结果表明，在保护SemCom隐私方面，我们生成的任务级干扰优于其他基准测试，Eve的任务成功率明显低于其他基准测试。 PDF p.1

方法与端到端信息流

为了解决这一挑战，我们提出利用同时发射和反射可重构智能表面在该系统中，利用STAR-RIS来增强SemCom在基站与目的用户之间的信号传输，以及将信号转换为专门针对窃听者（Eve）的干扰信号，STAR-RIS的接收信号在Eve被转换和反射形成任务级和SNR级干扰。 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：STAR-RIS-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 PDF p.4

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.4

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.4

实验设置与主要结论

数据集为MNIST；信道/链路条件包括AWGN、Rayleigh、wireless channel。 PDF p.4

仿真结果表明，在SemCom系统中，基于任务级干扰的隐私保护性能明显优于其他基准测试，Eve的任务成功率明显低于其他基准测试，而基于任务级干扰的隐私保护性能明显优于SNRLP。 PDF p.1 PDF p.5

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：然而,很少有文献研究该方法在多用户场景下的有效性,特别是当用户使用的模型结构和计算能力存在变化时。 此外,我们提出一种混合损失函数来训练,以增强重建影像的感知细节。 核心证据目标：语义通信作为下一代通信系统中替代传统通信的一种有前途的技术,主要由于其降低通信成本的能力而受到研究人员的极大关注。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，互联设备的激增及其对数据的高需求为Loc X带来了巨大挑战。 PDF p.1
2. 仍然存在的问题：然而，很少有文献研究该方法在多用户场景下的有效性，特别是当用户使用的模型结构和计算能力存在变化时。 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：此外，我们提出一种混合损失函数来训练，以增强重建影像的感知细节。 PDF p.1
6. 方案为何可能有效：为了解决这个问题，我们探索了一种语义通信系统，该系统通过在基站（BS）处使用多用途发射机来迎合具有不同模型架构的多个用户。 PDF p.1
7. 作者希望证明什么：语义通信作为下一代通信系统中替代传统通信的一种有前途的技术，主要由于其降低通信成本的能力而受到研究人员的极大关注。 PDF p.1

方法与端到端信息流

此外，我们提出了一种混合损失函数用于训练，以增强重建图像的感知细节。为了解决这个问题，我们探索了一种语义通信系统，该系统通过在基站（BS）使用多用途发射机来迎合具有不同模型架构的多个用户。另一方面，如果我们将上述系统评估为一级通信，由于两句话的措辞不同，这个制度便会被视为失败。 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：Swin Transformer-Based Dynamic Semantic Communication for Multi-User With Different Computing Capacity 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

我们考虑具有宽范围SNR值的AWGN。 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

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

实验设置与主要结论

数据集为Kodak、DIV2K；实验小节中明确出现的比较对象包括ADJSCC、JSCC；指标包括PSNR、SSIM、MS-SSIM、MSE；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:-4dB、SNR:-3dB、SNR:-2dB、SNR:-1dB、SNR:0dB。 PDF p.9

语义通信作为下一代通信系统中替代传统通信的一种有前途的技术，已经引起了研究人员的极大关注，主要是因为它能够降低通信成本。 PDF p.1 PDF p.9

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”：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：为了解决这一问题,一个好的资源分配方案是必要的。 为了进一步获得真实的合理的资源分配结果,引入语义通信。 核心证据目标：最后,通过仿真实验验证了该算法的优越性和性能优势,结果表明,TCRS-HRL算法的实现可以使定位精度提高约8%。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：最后，通过仿真实验验证了该算法的优越性和性能优势，结果表明，TCRS-HRL算法的实现可以使定位精度提高约8%。 PDF p.1
2. 仍然存在的问题：为了解决这一问题，一个好的资源分配方案是必要的。 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：为了进一步获得真实的合理的资源分配结果，引入语义通信。 PDF p.1
6. 方案为何可能有效：然后对该问题进行分解，进一步建立了一个层次化的框架。 PDF p.1
7. 作者希望证明什么：最后，通过仿真实验验证了该算法的优越性和性能优势，结果表明，TCRS-HRL算法的实现可以使定位精度提高约8%。 PDF p.1

方法与端到端信息流

为了进一步得到真实的合理的资源分配结果，本文引入语义通信，将问题分解，进一步建立了一个层次化的框架，在此基础上，重点研究了面向任务的信道优化和资源分配算法。 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：TCRS-HRL 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PPO、DDPG；指标包括accuracy。 PDF p.8

仿真结果表明，与现有方法相比，TCRS-HRL的实现可以使精度提高约8%，而JOS的奖励函数值提高约50%，即多维优化可以获得更明显的优化结果。 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,双向语义通信仍然是一个未被探索的话题,这是许多机器通信场景中的关键问题。 核心证据目标：仿真结果表明,所提出的TW-SC系统在训练过程中不需要收发机之间的反馈,性能接近于现有的单向语义通信系统。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信可以显著提高传输效率，特别是在低信噪比（SNR）的情况下。 PDF p.1
2. 仍然存在的问题：然而，双向语义通信仍然是一个未被探索的话题，这是许多机器通信场景中的关键问题。 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：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：然而，双向语义通信仍然是一个未被探索的话题，这是许多机器通信场景中的关键问题。 PDF p.1
6. 方案为何可能有效：简单地将现有的语义通信系统扩展到双向情形需要在训练过程期间进行双向信息反馈，从而导致显著的通信开销。 PDF p.1
7. 作者希望证明什么：仿真结果表明，所提出的TW-SC系统在训练过程中不需要收发机之间的反馈，性能接近于现有的单向语义通信系统。 PDF p.1

方法与端到端信息流

然而，双向语义通信仍然是一个未被探索的主题，这在许多机器通信场景中是一个关键问题。简单地将现有语义通信系统扩展到双向情况需要在训练过程期间进行双向信息反馈，这导致了显著的通信开销。本文介绍了双向semanRx译码AA-Rs，系统，包括Rc，通信模型、M tic信道模型和TW-SC。 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：Two-Way Semantic Communications Without Feedback 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.3

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

当信噪比小于10 dB时，在Rayleigh信道下训练的TW-SC模型比在AWGN信道下训练的TW-SC模型具有更高的峰值信噪比性能，在AWGN信道下训练的TW-SC模型优于在Rayleigh信道下训练的TW-SC模型。 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.4

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.4

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PSNR、SSIM、MSE、latency；信道/链路条件包括AWGN、Rayleigh、fading channel、wireless channel。 PDF p.3

仿真结果表明，所提出的TW-SC系统在训练过程中不需要收发机之间的反馈，性能接近于现有的单向语义通信系统。 PDF p.1

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,当多个用户将他们的语义表示投射到共享的嵌入空间中时,一个新的挑战出现了:有效地管理这个空间以实现可扩展和干扰感知的多用户通信。 本文提出了一种注意力驱动的干扰对齐(IA)多用户语义通信的方案,在语义嵌入域,不同于传统的IA在基带域。 核心证据目标：瑞利衰落信道下的实验表明,该方法优于资源划分的基线与单独的嵌入和CE只有损失模型没有正交化正则化,显示了注意力驱动的IA解决方案的多用户语义通信的有效性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文提出了一种注意力驱动的干扰对齐（IA）多用户语义通信的方案，在语义嵌入域，不同于传统的IA在基带域。 PDF p.1
2. 仍然存在的问题：然而，当多个用户将他们的语义表示投射到共享的嵌入空间中时，一个新的挑战出现了：有效地管理这个空间以实现可扩展和干扰感知的多用户通信。 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：本文提出了一种注意力驱动的干扰对齐（IA）多用户语义通信的方案，在语义嵌入域，不同于传统的IA在基带域。 PDF p.1
6. 方案为何可能有效：为了解决这一差距，我们引入了一个统一的框架，在这个框架中，注意力同时充当语义解码器和干扰对齐引擎。 PDF p.2
7. 作者希望证明什么：瑞利衰落信道下的实验表明，该方法优于资源划分的基线与单独的嵌入和CE只有损失模型没有正交化正则化，显示了注意力驱动的IA解决方案的多用户语义通信的有效性。 PDF p.1

方法与端到端信息流

针对多用户语义通信，提出了一种基于注意力驱动的干扰对齐（IA）方案，该方案在语义嵌入域中工作，与传统IA在基带域中工作不同。为了解决这一差距，我们引入了一个统一的框架，其中注意力同时充当语义解码器和干扰对齐引擎。 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：Attention-Driven Interference Alignment for Multi-User Semantic 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.4

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.4

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.4

实验设置与主要结论

指标包括accuracy、latency、semantic similarity、SER、PER；信道/链路条件包括Rayleigh、fading channel。 PDF p.4

在瑞利衰落信道下的实验结果表明，该方法的性能优于单独嵌入的资源划分基线和没有正交化正则化的仅CE损失模型，表明了注意力驱动的IA解决方案在多用户语义通信中的有效性，然而，即使是最不利的基线对应的下限配置也始终优于所提出的模型。 PDF p.1 PDF p.5

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,如果为了获得高性能的SemCom编码模型而执行无休止的感测,则应当占用大量的带宽资源,这可能降低语义频谱效率(SSE)。 为了训练具有最小语义歧义的熟练语义编码模型,感测用于模型训练和背景知识构建的丰富数据是至关重要的。 核心证据目标：此外,数值模拟验证了我们提出的算法的有效性和更优的性能的SSE上,与几个基线相比。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信（SemCom）是一种新的范例，其利用复杂的深度学习工具在发送器处从源数据中提取语义特征，并在接收端处基于这些语义特征恢复源数据的含义。 PDF p.1
2. 仍然存在的问题：然而，如果为了获得高性能的SemCom编码模型而执行无休止的感测，则应当占用大量的带宽资源，这可能降低语义频谱效率（SSE）。 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：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：为了训练具有最小语义歧义的熟练语义编码模型，感测用于模型训练和背景知识构建的丰富数据是至关重要的。 PDF p.1
6. 方案为何可能有效：具体来说，我们首先制定了一个优化问题，以最大限度地提高SSE的目标，同时受资源预算和服务质量的要求，联合分配带宽的传感和数据传输。 PDF p.1
7. 作者希望证明什么：此外，数值模拟验证了我们提出的算法的有效性和更优的性能的SSE上，与几个基线相比。 PDF p.1

方法与端到端信息流

为了训练具有最小语义歧义的熟练语义编码模型，感知大量数据对于模型训练和背景知识构建至关重要。具体而言，我们首先制定了一个优化问题，以最大化SSE为目标，同时满足资源预算和服务质量要求，联合分配感知和数据传输的带宽。高数据量可能会占用大量频谱资源，对语义频谱效率（SSE）产生不利影响--本文中感知数据是指数据采集的过程，重点关注数据量的获取，而不是具体的技术实现或感知手段，是衡量系统性能的关键指标。 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：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：SSE 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accuracy、PER。 PDF p.9

此外，数值模拟验证了我们提出的算法的有效性和更优的性能的SSE上，与几个basels. From这个数字，我们发现，我们提出的政策优于所有的策略，表现出最高的SSE值。 PDF p.1 PDF p.11

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,RNN在语义理解和并行计算方面面临挑战,这限制了语义理解和表示的潜力。 我们提出了一种新的语义通信系统的文本传输,其中的语义理解是由粗到细的处理增强。 核心证据目标：数值实验表明,该系统优于基准的双语评价,句子相似度,并在各种信道条件下的鲁棒性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：实现更强大的语义表示和语义理解是提高语义通信系统性能的关键问题之一。 PDF p.1
2. 仍然存在的问题：然而，RNN在语义理解和并行计算方面面临挑战，这限制了语义理解和表示的潜力。 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：我们提出了一种新的语义通信系统的文本传输，其中的语义理解是由粗到细的处理增强。 PDF p.1
6. 方案为何可能有效：提出了语义通信系统模型。 PDF p.2
7. 作者希望证明什么：数值实验表明，该系统优于基准的双语评价，句子相似度，并在各种信道条件下的鲁棒性。 PDF p.1

方法与端到端信息流

本文提出了一种新的文本语义通信系统，该系统通过由粗到细的处理来增强文本的语义理解。 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：Coarse-to-Fine Semantic Communication Systems for Text 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.3

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

然后，在块衰落信道上发送编码的符号。 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

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

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BLEU、accuracy、semantic similarity；信道/链路条件包括AWGN、Rayleigh、fading channel、block fading。 PDF p.3

数值实验表明，所提出的系统在双语评估，句子相似性和各种信道条件下的鲁棒性方面优于基准。3（a）表明，所提出的模型在整个SNR范围内的平均BLEU得分方面优于所有其他方案。 PDF p.1 PDF p.4

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：但是,若要将本材料用于任何其他目的,必须通过向pubs-permission@ieee.org发送请求,从IEEE获得许可。 提出了一种基于强化学习的层次化人工智能语义安全通信网络,该网络具有跨层语义安全性。 核心证据目标：最后,证明了所提出的智能资源分配方法的收敛性,仿真结果表明,所提出的智能资源分配方法在任务可靠性和CLSSR方面均优于传统的物理层语义安全(PL-SS)方法。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：与传统安全通信在物理层注重符号保护不同，语义安全通信在应用层需要进一步关注语义级的任务性能。 PDF p.1
2. 仍然存在的问题：但是，若要将本材料用于任何其他目的，必须通过向pubs-permission@ieee.org发送请求，从IEEE获得许可。 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：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：提出了一种基于强化学习的层次化人工智能语义安全通信网络，该网络具有跨层语义安全性。 PDF p.1
6. 方案为何可能有效：然后，利用混合整数非线性规划（MINLP）建立了CLSSR的最大化问题。 PDF p.1
7. 作者希望证明什么：最后，证明了所提出的智能资源分配方法的收敛性，仿真结果表明，所提出的智能资源分配方法在任务可靠性和CLSSR方面均优于传统的物理层语义安全（PL-SS）方法。 PDF p.1

方法与端到端信息流

提出了一种基于强化学习（RL）的层次化人工智能语义安全通信网络（CL-SS），并利用混合整数非线性规划（MINLP）描述了CL-SS的最大化问题，证明了所提出的智能资源分配算法的收敛性，并通过数值实验验证了所提出的跨层语义安全设计的有效性。 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：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：CL-SS 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.4

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.4

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.4

实验设置与主要结论

指标包括accuracy；信道/链路条件包括Rayleigh、MIMO。 PDF p.4

最后，证明了所提出的智能资源分配方法的收敛性，仿真结果表明，所提出的智能资源分配方法在任务可靠性和CLSSR方面均优于传统的物理层语义安全（PL-SS）方法。 PDF p.1

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：然而,由于DNN固有的泛化能力差,一旦待传输的数据不遵循与训练数据集的独立同分布(i.i.d.),就会出现性能下降。 在此基础上,我们提出了跨模态领域自适应语义通信(CDASC),它利用跨模态的指导,以适应传输数据的特征分布在真实的时间。 核心证据目标：语义通信利用深度神经网络(DNN)强大的表示和推理能力,实现高效的数据压缩和重构,显著提高通信效率和鲁棒性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信利用深度神经网络（DNN）强大的表示和推理能力，实现高效的数据压缩和重构，显著提高通信效率和鲁棒性。 PDF p.1
2. 仍然存在的问题：然而，由于DNN固有的泛化能力差，一旦待传输的数据不遵循与训练数据集的独立同分布（i.i.d.），就会出现性能下降。 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：在此基础上，我们提出了跨模态领域自适应语义通信（CDASC），它利用跨模态的指导，以适应传输数据的特征分布在真实的时间。 PDF p.1
6. 方案为何可能有效：我们的工作直接面对这一差距，使用跨模态指导，专门用于在线域适应，从而保持系统性能，在面对不可预见的数据变化。 PDF p.2
7. 作者希望证明什么：语义通信利用深度神经网络（DNN）强大的表示和推理能力，实现高效的数据压缩和重构，显著提高通信效率和鲁棒性。 PDF p.1

方法与端到端信息流

在此基础上，我们提出了跨模态领域自适应语义通信（Cross-modal Domain-Adaptive Semantic Communication，CDASC），它利用跨模态引导来真实的地适应传输数据的特征分布，我们的工作通过使用专门用于在线领域自适应的跨模态引导来直接面对这一差距，从而在面对不可预见的数据变化时保持系统性能。摘要提出了一种跨模态域自适应语义通信（CDASC），以缓解特征分布差异引起的通信性能下降。 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

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“数字压缩 bitstream 或量化 feature；无线接口未纳入研究”；网络 latent 的浮点维度不能直接当作固定 bit。 表示判定：Cross-Modal Domain-Adaptive Semantic Communication 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.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 1：数字压缩后默认可靠传输/存储

同样，我们使用MELD作为训练数据集，使用eNTERFACE数据集作为在AWGN和Rayleigh信道中传输的视频。 信道处理归类为“类别 1：数字压缩后默认可靠传输/存储”。 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

指标包括accuracy、classification accuracy、PER；信道/链路条件包括AWGN、Rayleigh、wireless channel。 PDF p.7

语义通信利用深度神经网络（DNN）强大的表示和推理能力，实现高效的数据压缩和重构，显著提高通信效率和鲁棒性。 PDF p.1

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：但是,这些方法都是启发式的,缺乏最优性。 受语义通信范式的启发--强调只传输与任务相关的信息--我们提出了一个协作的语义通信控制框架,该框架选择性地传输信息量最大的控制数据。 核心证据目标：数值仿真试验进一步验证了所提方法在跟踪精度和通信效率上的优越性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：传统的无人机机群通信策略由于控制信号的频繁交换而导致了过多的带宽消耗和能量开销。 PDF p.1
2. 仍然存在的问题：但是，这些方法都是启发式的，缺乏最优性。 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：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：受语义通信范式的启发--强调只传输与任务相关的信息--我们提出了一个协作的语义通信控制框架，该框架选择性地传输信息量最大的控制数据。 PDF p.1
6. 方案为何可能有效：具体地说，我们考虑了一个由一个领导者和多个跟随者组成的无人机群，它们通过不可靠的MIMO无线信道相互连接。 PDF p.1
7. 作者希望证明什么：数值仿真试验进一步验证了所提方法在跟踪精度和通信效率上的优越性。 PDF p.1

方法与端到端信息流

受语义通信范式的启发--强调只传输与任务相关的信息--我们提出了一种协作语义通信-控制框架，该框架选择性地传输信息量最大的控制数据。特别地，我们考虑了一个由一个领导者和多个跟随者组成的无人机群，通过不可靠的MIMO无线信道互连。在本文中，我们利用李亚普诺夫分析方法建立了在MIMO衰落信道上工作的无人机机群中跟踪稳定性的闭合形式的充分条件。 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：Decentralized Semantic Communication and Cooperative Tracking Control for a UAV Swarm Over Wireless MIMO Fading Channels 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.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 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.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.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HM；信道/链路条件包括fading channel、MIMO、wireless channel。 PDF p.5

数值仿真结果表明，该方案在跟踪精度和通信效率上均优于现有的跟踪算法，且性能优于各种前沿方法。 PDF p.1 PDF p.5

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,信道容量的限制会极大地影响无线通信的数据传输效率。 为了有效解决这一具有挑战性的优化问题,提出了一种基于软行为者-批评者的深度强化学习算法来优化同步策略和资源分配。 核心证据目标：数值结果表明,本算法与其他基准方案相比,同步延迟减少了13.2%,同步效率得到了显著提高。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：数字孪生（DT）的同步是DT框架有效运作的基石。 PDF p.1
2. 仍然存在的问题：然而，信道容量的限制会极大地影响无线通信的数据传输效率。 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：为了有效解决这一具有挑战性的优化问题，提出了一种基于软行为者-批评者的深度强化学习算法来优化同步策略和资源分配。 PDF p.1
6. 方案为何可能有效：我们的目标是通过联合优化同步策略、UD的发射功率以及UD和基站的计算资源分配来最小化所有UD的平均DT同步延迟。 PDF p.1
7. 作者希望证明什么：数值结果表明，本算法与其他基准方案相比，同步延迟减少了13.2%，同步效率得到了显著提高。 PDF p.1

方法与端到端信息流

为了有效地解决这一具有挑战性的优化问题，本文提出了一种基于软行动者-批评的深度强化学习算法来优化同步策略和资源分配。我们的目标是通过联合优化同步策略、用户设备的发射功率以及用户设备和基站的计算资源分配来最小化所有用户设备的平均DT同步延迟。与传统的同步方法相比，我们提出的框架要求在传输之前对UD收集的原始感测数据进行语义提取，然后在边缘服务器上恢复语义信息。 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：UDs 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PPO、SAC；指标包括accuracy、latency。 PDF p.6

实验结果表明，与其他基准方案相比，该算法的同步延迟最多可降低13.2%，同步效率也有较大提高，表明该算法能够有效地优化同步策略和资源分配，使用户设备更高效地完成DT同步，从而降低同步延迟。 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,跨网络和链路级别的目标的联合优化呈现出显著的复杂性。 本文提出了一种新的分布式分层深度强化学习(DHDRL)框架,该框架在不同的时间尺度上采用两层控制策略,以优化下行多小区网络中的QoE,包括语义速率和准确性。 核心证据目标：数值结果表明,DHDRL实现了至少19.07%的性能增益比单层方法,保持在高维场景的有效性,并表现出很强的泛化能力,在各种多目标优化问题。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：超越传统的注重比特传输的体验质量（QoE）优化，考虑语义QoE可以更好地优化网络，提升用户体验。 PDF p.1
2. 仍然存在的问题：然而，跨网络和链路级别的目标的联合优化呈现出显著的复杂性。 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：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：本文提出了一种新的分布式分层深度强化学习（DHDRL）框架，该框架在不同的时间尺度上采用两层控制策略，以优化下行多小区网络中的QoE，包括语义速率和准确性。 PDF p.1
6. 方案为何可能有效：具体来说，我们分解的优化问题分为两个子问题，波束形成和功率分配以及语义资源分配，从而在一个无限时域离散和有限时域连续时间马尔可夫决策过程。 PDF p.1
7. 作者希望证明什么：数值结果表明，DHDRL实现了至少19.07%的性能增益比单层方法，保持在高维场景的有效性，并表现出很强的泛化能力，在各种多目标优化问题。 PDF p.1

方法与端到端信息流

本文提出了一种新的分布式分层深度强化学习（DHDRL）框架，在不同的时间尺度上采用两层控制策略来优化下行多小区网络中的QoE，包括语义速率和准确率。具体来说，我们将优化问题分解为两个子问题：波束成形和功率分配以及语义资源分配，在本文中，我们提出了一种分布式分层深度强化学习（DHDRL）框架，以最大限度地提高整个无线网络在两个时间分辨率下的QoE性能，其中，所述小区间干扰在网络级以粗粒度维度进行优化，并且所述实时语义资源在链路级以更精细的时间尺度进行优化。 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：Distributed Hierarchical Deep Reinforcement Learning for Semantic-Aware 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.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accuracy、PER。 PDF p.10

数值结果表明，DHDRL算法在高维场景下的性能比单层算法提高了19.07%，并且对多种多目标优化问题具有很强的泛化能力，因此，我们可以只考虑附近小区的负面影响，而这些小区通常只占整个系统的一小部分，可以显著降低信令开销。 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：但是,若要将本材料用于任何其他目的,必须通过向pubs-permission@ieee.org发送请求,从IEEE获得许可。 该文提出了一种边缘设备协同生成语义通信(Gen SemCom)框架,该框架利用预先训练的多模态/视觉语言模型(M/VLMs),通过文本提示进行超低速语义通信。 核心证据目标：仿真结果表明,与传统的语义无关/非协作发电卸载基准测试相比,该算法在性能上有了显著的提高。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：各种预先训练的M/VLM具有在视觉字幕或视觉问答设置中利用有限的本地提供的上下文来零/少触发生成文本提示的显著能力。 PDF p.2
2. 仍然存在的问题：但是，若要将本材料用于任何其他目的，必须通过向pubs-permission@ieee.org发送请求，从IEEE获得许可。 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 PDF p.2
5. 本文提出什么：该文提出了一种边缘设备协同生成语义通信（Gen SemCom）框架，该框架利用预先训练的多模态/视觉语言模型（M/VLMs），通过文本提示进行超低速语义通信。 PDF p.1
6. 方案为何可能有效：具体地说，我们使用预训练的M/VLMs开发了一个多用户Gen SemCom框架，并提出了一个提示生成卸载、通信和计算资源分配的联合优化问题，以最小化延迟并最大化结果语义质量。 PDF p.1
7. 作者希望证明什么：仿真结果表明，与传统的语义无关/非协作发电卸载基准测试相比，该算法在性能上有了显著的提高。 PDF p.1

方法与端到端信息流

本文提出了一种基于边缘设备的协同生成语义通信系统（Gen SemCom）框架，该框架利用预训练的多模态/视觉语言模型（M/VLMs）通过文本提示进行超低速率语义通信，具体地，我们使用预训练的M/VLMs开发了一个多用户Gen SemCom框架，并提出了一个提示生成卸载的联合优化问题，通过解决问题（1），可以选择和调整模型选择和通信/计算参数，这由我们在第III节中提出的算法来确定。 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：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：Generative Semantic Communication via Textual Prompts: Latency Performance Tradeoffs 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.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 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.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.4 PDF p.5

实验设置与主要结论

指标包括CIDEr、latency、PER；信道/链路条件包括wireless channel。 PDF p.5

仿真结果表明，与传统的语义不感知/非协作生成卸载方法相比，该框架在性能上有显著的提高，但在设备计算资源充足的情况下，部分发送方可能会选择在本地生成提示，以减少生成延迟。 PDF p.1 PDF p.6

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,DJSCC框架依赖于率失真理论,并且无法优化对人类至关重要的感知质量。 在本文中,我们提出了一个可扩展的生成视频语义通信框架,提取和传输语义信息,以实现高质量的视频重建。 核心证据目标：仿真结果表明,在超低的信道带宽比(CBR),我们的计划有效地捕捉语义信息,以重建符合人类的感知在不同的信噪比下的视频。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：尽管基于香农理论的传统语法通信取得了显着进步，但这些方法仍难以满足6G沉浸式通信的要求，尤其是在具有挑战性的传输条件下。 PDF p.1
2. 仍然存在的问题：然而，DJSCC框架依赖于率失真理论，并且无法优化对人类至关重要的感知质量。 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：在本文中，我们提出了一个可扩展的生成视频语义通信框架，提取和传输语义信息，以实现高质量的视频重建。 PDF p.1
6. 方案为何可能有效：具体地，在发送器处，从源视频中提取描述和其他条件信号（例如，第一帧、草图等），分别用作文本和结构语义。 PDF p.1
7. 作者希望证明什么：仿真结果表明，在超低的信道带宽比（CBR），我们的计划有效地捕捉语义信息，以重建符合人类的感知在不同的信噪比下的视频。 PDF p.1

方法与端到端信息流

本文提出了一种可伸缩的生成式视频语义通信框架，通过提取和传输语义信息实现高质量的视频重构。具体来说，在发送端，描述等条件信号（例如，第一帧、草图等）从源视频中提取，用作文本和结构语义，我们的模拟表明，使用所提出的加权损失函数更接近于人类感知。 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：Generative Video Semantic Communication via Multimodal Semantic Fusion With Large Model 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

考虑到低CBR场景，我们将方案的CBR设置为大约10-2的水平。 PDF p.3

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

我们使用加性白色高斯噪声（AWGN）信道，其中噪声向量n被建模为具有零均值和协方差σ 2 I的复高斯分布n ∈ CN（0，σ 2 I）。比较方案H. 264/H. 265 +LDPC：我们使用H. 264和H. 265进行信源编码，使用LDPC码和QAM调制进行信道编码。 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.4

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.4

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H.264、H.265、JSCC、LDPC、QAM、BERT、CLIP；指标包括PSNR、SSIM；信道/链路条件包括AWGN；正文可定位的代表性工作点有SNR = 10 dB、SNR = 0 dB、CBR of 10、CBR of 0.0031、CBR = 0.005、CBR of 0.004。 PDF p.5

仿真结果表明，在超低的信道带宽比（CBR）下，该方案能够有效地捕捉视频的语义信息，在不同的信噪比下重建出符合人类感知的视频，虽然DJSCCRGB可能会出现模糊，但它比Sketch+Desc.和Sketches+Desc.方案获得了更高的像素相似度。 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）”：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：传统的位通信虽然保证了数据的精确传输,但无法区分任务的优先级和语义信息。 利用半非正交多址(NOMA)来服务两类UE,即比特用户设备(BUE)和语义用户设备(SUE)。 核心证据目标：仿真结果表明:(1)在不同压缩率下,与基准算法相比,TORA算法具有更高的混合语义和比特率,且收敛速度快;(2)在不同压缩率下,即使在BUE-SUE用户对数目增加的情况下,与NOMA和时分多址(TDMA)传输方案相比,半NOMA传输方案仍具有更优的性能。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，深度联合信源信道编码（DeepJSCC）作为一种被广泛认可的深度学习（DL）技术，已被广泛应用于语义通信框架中。 PDF p.1
2. 仍然存在的问题：传统的位通信虽然保证了数据的精确传输，但无法区分任务的优先级和语义信息。 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：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：利用半非正交多址（NOMA）来服务两类UE，即比特用户设备（BUE）和语义用户设备（SUE）。 PDF p.1
6. 方案为何可能有效：该方法引入了一种统一的语义-比特混合率指标来评估系统性能，并通过联合优化无人机航迹、用户关联和资源分配来最大化系统性能。 PDF p.1
7. 作者希望证明什么：仿真结果表明：（1）在不同压缩率下，与基准算法相比，TORA算法具有更高的混合语义和比特率，且收敛速度快;（2）在不同压缩率下，即使在BUE-SUE用户对数目增加的情况下，与NOMA和时分多址（TDMA）传输方案相比，半NOMA传输方案仍具有更优的性能。 PDF p.1

方法与端到端信息流

针对半非正交多址（NOMA）系统中的两类用户设备，即比特用户设备（BUE）和语义用户设备（SUE），提出了一种基于语义和比特混合速率（Hybrid Semantic-and-bit Rate，简称Hybrid Semantic-bit Rate本文提出了一种新颖的UAV网络中的异构语义和比特通信框架，该框架能够实现从地面用户设备（UE）到机载移动的BS的上行链路图像传输。 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

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：hybrid 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

引入了语义比特率混合指标来量化异构通信系统的性能，将其定义为语义比特率和比特率的加权和，并将每个时隙t的回报表示为r其中Rt 1表示时间步长t中的比特率。Rt 2表示在NOMA传输期间SUE的语义速率。而wR和wS分别是在UAV的混合语义和比特移动代价的计算中的语义速率和比特速率的加权系数。 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 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CIFAR-10；实验小节中明确出现的比较对象包括DeepJSCC、JSCC、CLIP、PPO；指标包括accuracy、latency、PER。 PDF p.9

仿真结果表明：1）与传统的TORA算法相比，该算法在不同压缩率下均能获得更高的混合语义比特率，且收敛速度快;以及2）在各种CR下，半NOMA传输方案实现了比NOMA和时分多址（TDMA）传输方案更优的性能，即使当BUE-SUE用户对的数目增加时，该算法也能获得较高的混合语义-比特率，这表明TORA算法在轨迹优化和资源分配上优势显著。 PDF p.1 PDF p.11

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：但是,若要将本材料用于任何其他目的,必须通过向pubs-permission@ieee.org发送请求,从IEEE获得许可。 本文介绍了一种新的框架内集成的传感,计算和语义通信(ISCSC)的车辆网络包括路边单元(RSU)和多个自主车辆。 核心证据目标：该框架采用了安全通信设计,以确保发送给特定车辆的消息不会被截获。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文介绍了一种新的框架内集成的传感，计算和语义通信（ISCSC）的车辆网络包括路边单元（RSU）和多个自主车辆。 PDF p.1
2. 仍然存在的问题：但是，若要将本材料用于任何其他目的，必须通过向pubs-permission@ieee.org发送请求，从IEEE获得许可。 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：本文介绍了一种新的框架内集成的传感，计算和语义通信（ISCSC）的车辆网络包括路边单元（RSU）和多个自主车辆。 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，平衡最大化的概率约束的语义保密率为每辆车，同时最小化的总和后Cramér-Rao界（PCRB），受RSU的计算能力。 PDF p.1
7. 作者希望证明什么：该框架采用了安全通信设计，以确保发送给特定车辆的消息不会被截获。 PDF p.1

方法与端到端信息流

本文提出了一种新的集成感知、计算和语义通信的车载网络框架，该框架由一个路侧单元（RSU）和多个自主车辆组成，我们提出了一个联合优化问题，该问题在最大化每个车辆的概率约束语义保密率的同时，最小化后验Cramér-Rao界（PCRB）的和，考虑一个RSU配置N个天线的均匀线阵（ULA）的ISCSC系统的设计。 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：ISCSC 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.4

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.4

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.4

实验设置与主要结论

指标包括MSE、BLEU、accuracy、PER。 PDF p.4

该框架采用了安全通信设计，以确保发送给特定车辆的消息不会被截获。 PDF p.1

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：然而,其独特的背景知识在保证语义推理和恢复准确性的同时,也带来了语义信息安全方面的问题。 为此,本文重点讨论了安全SemCom网络中的功率分配、知识库缓存(KBC)和设备到设备(D2 D)用户配对(DUP)三个核心问题。 核心证据目标：仿真结果表明,与不同的基准测试相比,本文提出的方案可以使SST性能提高近一倍,而排队延迟性能降低不到一半。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，语义通信（SemCom）在节约资源和信息交换方面显示出了巨大的优势。 PDF p.1
2. 仍然存在的问题：然而，其独特的背景知识在保证语义推理和恢复准确性的同时，也带来了语义信息安全方面的问题。 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：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，本文重点讨论了安全SemCom网络中的功率分配、知识库缓存（KBC）和设备到设备（D2 D）用户配对（DUP）三个核心问题。 PDF p.1
6. 方案为何可能有效：其次，在安全的SemCom相关延迟和可靠性约束下，建立了SST最大化问题的数学模型。 PDF p.1
7. 作者希望证明什么：仿真结果表明，与不同的基准测试相比，本文提出的方案可以使SST性能提高近一倍，而排队延迟性能降低不到一半。 PDF p.1

方法与端到端信息流

为此，本文重点关注在安全SemCom网络中联合解决功率分配、知识库缓存（KBC）和设备到设备（D2D）用户配对（DUP）这三个核心问题。SST最大化问题被公式化为服从安全SemCom，理论分析和数值结果都验证了本文提出的解决方案在语义方面的性能优越性保密吞吐量、排队延迟和语义知识满意度。 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：Joint Knowledge and Power Management for Secure Semantic Communication 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.3

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.3

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.3

实验设置与主要结论

指标包括latency、throughput、PER。 PDF p.3

仿真结果表明，与不同的基准测试相比，我们提出的解决方案的SST性能几乎翻了一番，实现不到一半的排队延迟性能。与以前的结果一致，我们的解决方案仍然优于两个基准测试，具有显着的性能增益。 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：然而,在资源有限的实际通信系统中,分离原则并不成立,并且信道解码器不能利用信源编码留下的剩余冗余来降低其误码率。 此外,我们设计了一个迭代训练方案和参数共享机制,以限制解码器的复杂度。 核心证据目标：实验结果表明,所提出的神经解码器的性能优于现有的基于BP的双极性码的解码器。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文提出了一种用于联合信源信道编码（JSCC）的双极化码神经置信传播解码器。 PDF p.1
2. 仍然存在的问题：然而，在资源有限的实际通信系统中，分离原则并不成立，并且信道解码器不能利用信源编码留下的剩余冗余来降低其误码率。 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：此外，我们设计了一个迭代训练方案和参数共享机制，以限制解码器的复杂度。 PDF p.1
6. 方案为何可能有效：此外，我们设计了一个迭代训练方案和参数共享机制，以限制解码器的复杂度。 PDF p.1
7. 作者希望证明什么：实验结果表明，所提出的神经解码器的性能优于现有的基于BP的双极性码的解码器。 PDF p.1

方法与端到端信息流

本文的新奇和贡献主要体现在以下几个方面：1）提出了一种模型驱动的神经元译码器ResBP，用于JSCC中双极性码的译码。 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：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：Learning to Decode Double Polar Codes for Joint Source-Channel Coding 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

实验小节中明确出现的比较对象包括JSCC、Polar；指标包括BER；信道/链路条件包括Rayleigh、fading channel；正文可定位的代表性工作点有BER=10-3。 PDF p.8

实验结果表明，该神经解码器的性能优于现有的基于BP的双极化码解码器，该方法减少了可训练参数带来的额外存储开销。 PDF p.1 PDF p.7

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,为了解决SNC增加的优化复杂度,同时增强特征提取,我们提出了Transformer优势演员批评(TR-A2 C)算法。 针对这些问题,提出了一种以任务为中心的多用户语义通信(TCMSC)解决方案,旨在满足新的语义通信范式对能耗和传输时延的要求。 核心证据目标：与传统的单服务器和多中继设置不同,TCMSC专为多服务车辆场景而设计,使车辆能够在复杂条件下导航,同时降低功耗。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：伴随着5G在车载网络场景的应用，通信资源稀缺的危机不可避免地在加深。 PDF p.1
2. 仍然存在的问题：然而，为了解决SNC增加的优化复杂度，同时增强特征提取，我们提出了Transformer优势演员批评（TR-A2 C）算法。 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：针对这些问题，提出了一种以任务为中心的多用户语义通信（TCMSC）解决方案，旨在满足新的语义通信范式对能耗和传输时延的要求。 PDF p.1
6. 方案为何可能有效：在保证可靠通信和高效功耗的同时，优化了语义谱效率（S-SE）。提出了一种基于SNC的车辆到基础设施（V2 I）时延上界违规概率求解方法，用于精确的语义任务时延建模。 PDF p.2
7. 作者希望证明什么：与传统的单服务器和多中继设置不同，TCMSC专为多服务车辆场景而设计，使车辆能够在复杂条件下导航，同时降低功耗。 PDF p.14

方法与端到端信息流

针对该问题，该文提出了一种以任务为中心的多用户语义通信解决方案。提出了一种新的基于语义通信的车辆到基础设施（V2 I）的上界求解方法，该方法在保证可靠通信和高效功耗的前提下，优化了语义频谱效率（S-SE），并在此基础上提出了一种新的基于语义通信的车辆到基础设施（V2 I）的上界求解方法。基于此，本文提出了一种基于SemCom场景下的以任务为中心的多用户语义通信（Task-Centric Multi-User Semantic Communication，TCMSC）解决方案来解决上述问题。 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：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：SNC 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mAP、SER、PER。 PDF p.11

与传统的单服务器和多中继设置不同，TCMSC是为多服务车辆场景而设计的，使车辆能够以更低的功耗在复杂条件下导航。与单服务车辆调度相比，TCMSC解决方案可降低约31.1%的功耗，凸显了其对绿色通信的贡献。 PDF p.12 PDF p.14

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,现有的研究主要集中在模拟SemCom上,将从源数据中提取的语义特征直接映射到模拟符号上,限制了SemCom在现实场景中的适用性。 在本文中,我们提出了一种新的数字SemCom,它具有轻量级语义矢量量化自动编码器/解码器(L-VQAE),以适应数字通信协议。 核心证据目标：实验数据显示,不同算法的峰值信噪比(PSNR)性能相比于基线有显著提高。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信（SemCom）由于其在不影响通信效率的前提下最大限度地减少数据传输量的潜力而引起了人们的广泛关注。 PDF p.1
2. 仍然存在的问题：然而，现有的研究主要集中在模拟SemCom上，将从源数据中提取的语义特征直接映射到模拟符号上，限制了SemCom在现实场景中的适用性。 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：在本文中，我们提出了一种新的数字SemCom，它具有轻量级语义矢量量化自动编码器/解码器（L-VQAE），以适应数字通信协议。 PDF p.1
6. 方案为何可能有效：在本文中，我们提出了一种新的数字SemCom，它具有轻量级语义矢量量化自动编码器/解码器（L-VQAE），以适应数字通信协议。 PDF p.1
7. 作者希望证明什么：实验数据显示，不同算法的峰值信噪比（PSNR）性能相比于基线有显著提高。 PDF p.1

方法与端到端信息流

在本文中，我们提出了一种新的数字SemCom系统，它采用轻量级语义矢量量化自动编码/解码器（L-VQAE），以适应数字通信协议的要求，系统采用轻量级设计，每个模块都能解决数字SemCom系统中的不同问题。 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

在本文中，我们提出了一种新的数字SemCom，它采用轻量级的语义矢量量化自动编码器/解码器（L-VQAE），以适应数字通信协议。 表示判定：Lightweight Digital Semantic Communication Based on DeepReceiver 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

VQ和DeepReceiver模块（5）的网络体系结构，其中I表示头的数量，fi 3 ×3（·）表示3 × 3卷积层，dk表示K的维数，其用于缩放点积的结果以避免softmax函数的梯度消失问题。 PDF p.3

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 PDF p.4

语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。 PDF p.2 PDF p.4

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BPG、DeepSC、LDPC；指标包括PSNR、SSIM、MS-SSIM、MSE、accuracy、mAP、latency、BER；信道/链路条件包括AWGN；正文可定位的代表性工作点有compression ratio of 1/12。 PDF p.4

仿真结果表明，与传统的低密度奇偶校验（LDPC）码BPG方案相比，L-VQAE方案的峰值信噪比（PSNR）有了显著提高，且避免了悬崖效应，性能优于BPG+LDPC方案，具有更优的鲁棒性和图像重建能力。 PDF p.1 PDF p.4

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,LAI模型的大量计算需求对实时通信场景提出了重大挑战。 针对这一问题,提出了利用知识提炼(KD)技术从LAI模型中提取和浓缩知识,有效降低模型复杂度和计算延迟。 核心证据目标：实验表明该方案在任务准确性、模型规模、计算延迟和训练数据需求等方面均优于基准方案。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：最近的研究集中在利用大规模人工智能（LAI）模型来提高语义表示和压缩能力。 PDF p.1
2. 仍然存在的问题：然而，LAI模型的大量计算需求对实时通信场景提出了重大挑战。 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：针对这一问题，提出了利用知识提炼（KD）技术从LAI模型中提取和浓缩知识，有效降低模型复杂度和计算延迟。 PDF p.1
6. 方案为何可能有效：为了实现资源受限场景（如车联网）下的实时TOSC，该文提出了一种新的轻量级TOSC方案，该方案从LAI模型中提取语义编码。 PDF p.2
7. 作者希望证明什么：实验表明该方案在任务准确性、模型规模、计算延迟和训练数据需求等方面均优于基准方案。 PDF p.1

方法与端到端信息流

针对这一问题，本文提出了利用知识提炼（KD）技术从LAI模型中提取和浓缩知识，有效地降低了模型复杂度和计算延迟。本文提出了一种新的轻量化TOSC方案，其中语义编解码器是从LAI模型中提取出来的。为了在资源受限的场景中启用实时TOSC该文提出了一种新的轻量级TOSC方案，该方案从LAI模型中提取语义编码。 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：Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models 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.4

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.4

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.4

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ViT、CLIP；指标包括accuracy、latency、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 of 0 dB。 PDF p.4

仿真结果表明，该算法在任务精度、模型规模、计算延迟和训练数据需求等方面均优于基线算法，并且在整个信噪比范围内均优于L-TOSC和传统的TOSC算法。 PDF p.1 PDF p.5

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,它们在无线网络上的部署引入了显著的安全漏洞,包括语义噪声攻击、物理层对抗攻击和窃听攻击。 为了解决这个问题,本文介绍了一种基于专家的语义通信(MESC)混合系统,该系统根据AIoT节点的安全需求自适应地选择合适的安全专家。 核心证据目标：此外,MESC的可扩展性允许以最低的培训费用增加新的安全专家,从而大大降低了持续成本。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：基于深度学习的语义通信系统在人工智能物联网（AIoT）（例如，智能交通系统（ITS））中有效地传输信息方面已经变得普遍。 PDF p.1
2. 仍然存在的问题：然而，它们在无线网络上的部署引入了显著的安全漏洞，包括语义噪声攻击、物理层对抗攻击和窃听攻击。 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：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，本文介绍了一种基于专家的语义通信（MESC）混合系统，该系统根据AIoT节点的安全需求自适应地选择合适的安全专家。 PDF p.1
6. 方案为何可能有效：因此，我们提出了一个MESC系统侧重于语义通信安全，这是详细的第三节。 PDF p.2
7. 作者希望证明什么：此外，MESC的可扩展性允许以最低的培训费用增加新的安全专家，从而大大降低了持续成本。 PDF p.1

方法与端到端信息流

为了解决这一问题，本文提出了一种基于专家的语义通信混合系统（MESC），该系统根据AIoT节点的安全需求自适应地选择合适的安全专家，因此，我们提出了一种专注于语义通信安全的MESC系统，第三节详细介绍了基于专家的语义通信混合（MESC）的框架。系统中的AIoT。节点使用门控网络来解决独立且同时发起的多个异构攻击。r我们为MESC开发了一种新的门控机制，该机制能够顺序调用不同的专家，与传统的专家混合架构不同。 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：ITS 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.4

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.4

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.4

实验设置与主要结论

指标包括accuracy；信道/链路条件包括wireless channel。 PDF p.4

此外，MESC的可扩展性大大降低了持续的成本，允许增加新的安全专家，以最小的培训expenses. We发现，我们提出的MESC实现了窃听者的ASR，这是小于1%的显着减少。 PDF p.1 PDF p.5

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：然而,为了适应动态复杂的交通环境,基于多模态语义表示的动态资源分配是至关重要的,这需要运动规划和资源分配的协同设计。 核心证据目标：仿真结果表明,我们提出的方案的优越性,实现了至少4.13毫秒的整体延迟减少和延迟改善的百分比高达98.21的基准。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：为了满足复杂和动态的交通情况下，SC使能LC规划必须动态分配无线资源的多模态语义表示的基础上。 PDF p.1
2. 仍然存在的问题：然而，为了适应动态复杂的交通环境，基于多模态语义表示的动态资源分配是至关重要的，这需要运动规划和资源分配的协同设计。 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：然而，为了适应动态复杂的交通环境，基于多模态语义表示的动态资源分配是至关重要的，这需要运动规划和资源分配的协同设计。 PDF p.1
6. 方案为何可能有效：基于上述考虑，本文提出了一种基于DRL的协同设计方案，用于优化多模态供应链支持下的车路协同系统中的LC规划和资源分配。 PDF p.2
7. 作者希望证明什么：仿真结果表明，我们提出的方案的优越性，实现了至少4.13毫秒的整体延迟减少和延迟改善的百分比高达98.21的基准。 PDF p.1

方法与端到端信息流

基于此，本文提出了一种基于DRL的车辆-道路协同系统中LC规划与资源分配的协同设计方案，并对该方案进行了仿真验证，结果表明该方案能够有效地解决车辆-道路协同系统中LC规划与资源分配的问题，基于以上考虑，本文提出了一种基于DRL的协同设计方案，用于优化多模态供应链支持下的车路协同系统中的LC规划和资源分配。 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：D3QN 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.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 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.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.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DQN；指标包括latency；信道/链路条件包括Rayleigh。 PDF p.5

仿真结果表明，我们提出的方案的优越性，实现了至少4.13 ms的整体延迟减少和延迟改善的百分比高达98.21.As观察到的，所提出的算法收敛到一个更高的平均奖励比基准更快的速度。 PDF p.1 PDF p.5

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,目前的多模式SC系统的经验语义分歧和冲突,由于个别编码器的表示能力的不平衡。 在论文中,我们提出了一个面向多模式的轻量级SC系统的基础上,交互式JSCC计划,促进6G向多源协作范式的演变。 核心证据目标：此外,一个动态的资源分配方法,它分层调整计算成本,以提高效率。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：作为第六代移动的网络的关键技术，语义通信（SC）旨在通过联合信源信道编码（JSCC）实现低能耗、高效率的智能通信。 PDF p.1
2. 仍然存在的问题：然而，目前的多模式SC系统的经验语义分歧和冲突，由于个别编码器的表示能力的不平衡。 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：在论文中，我们提出了一个面向多模式的轻量级SC系统的基础上，交互式JSCC计划，促进6G向多源协作范式的演变。 PDF p.1
6. 方案为何可能有效：为了解决这个问题，我们提出了IIM，它促进了编码器之间的信息交换，使用一个全局提示G。 PDF p.2
7. 作者希望证明什么：此外，一个动态的资源分配方法，它分层调整计算成本，以提高效率。 PDF p.1

方法与端到端信息流

在论文中，我们提出了一个面向多模态的轻量级SC系统的基础上的交互式JSCC方案，促进6G向多源协作范式的演变。为了解决这个问题，我们提出了IIM，它促进编码器之间的信息交换使用一个全局提示G。 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

为了符合现代数字通信标准，使用16-正交幅度调制（16-QAM）调制编码的语义特征，其中特征被映射到16点星座图上。 表示判定：Multimodal-Oriented Interactive Joint Source-Channel Coding for Lightweight Semantic Communication 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

另外，压缩比（CR）被定义为2Ni /Li。 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 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.4

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.4

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、SSCC、LDPC；指标包括MSE、accuracy、classification accuracy、mAP；信道/链路条件包括AWGN、fading channel。 PDF p.4

此外，一个动态的资源分配方法，该方法分层调整计算成本，以提高效率。值得注意的是，所提出的IMSCS优于其他方法在MSA和VQA任务。 PDF p.1 PDF p.4

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：为了应对这些挑战,研究人员深入研究了无线语义图像传输(WSIT)技术。 本文提出了一种非常灵活的联合信源信道编码(DF-JSCC)方案和传输性能预测网络(PreNet),以改善整体WSIT系统的性能。 核心证据目标：实验结果表明,与DeepJSCC-V和WITT方案相比,DF-JSCC方案的PSNR分别提高了至少0.93 dB和0.44 dB,同时在相同传输条件下,资源消耗减少了50%以上,体现了其在频谱效率方面的更优的性能。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信为传统的无线图像传输提供了一种新的简化和智能的范例。 PDF p.1
2. 仍然存在的问题：为了应对这些挑战，研究人员深入研究了无线语义图像传输（WSIT）技术。 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：本文提出了一种非常灵活的联合信源信道编码（DF-JSCC）方案和传输性能预测网络（PreNet），以改善整体WSIT系统的性能。 PDF p.1
6. 方案为何可能有效：首先，我们将一个多信道特征融合模块（MC-FFM）到DF-JSCC，以提高捕获不同尺度的详细图像特征的能力。 PDF p.1
7. 作者希望证明什么：实验结果表明，与DeepJSCC-V和WITT方案相比，DF-JSCC方案的PSNR分别提高了至少0.93 dB和0.44 dB，同时在相同传输条件下，资源消耗减少了50%以上，体现了其在频谱效率方面的更优的性能。 PDF p.1

方法与端到端信息流

本文提出了一种高度灵活的联合信源信道编码（DF-JSCC）方案和传输性能预测网络（PreNet）来改善WSIT系统的整体性能。首先，我们在DF-JSCC中加入了多信道特征融合模块（MC-FFM），以增强在不同尺度下捕获详细图像特征的能力。本文提出了一种非常灵活的联合信源信道编码（DF-JSCC）方案和一种预测网络（PreNet）模型，以实现更灵活和自适应的码率控制，以及在不同信道条件和传输内容下的性能预测。 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：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

然后，设计了一个特征增强模块（FEM），通过自适应地调整图像特征图在不同无线信道条件下的信道权值来增强关键特征的表示，最后介绍了一个PreNet模型，该模型通过从细节丰富的特征图中建模特征分布并利用多维特征融合来实现对重构图像的高质量PSNR预测。 表示判定：PreNet Aided DF-JSCC 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.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.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

我们使用BPG-LDPC来代表经典的信源信道分离编码技术，其中BPG实现了高质量的图像压缩，而LDPC提供了鲁棒的纠错能力。在AWGN和Rayleigh信道下PreNet和OraNet的训练丢失比较。在AWGN信道下，PreNet的训练丢失率显著地比OraNet快。 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.11 PDF p.14

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.11 PDF p.14

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BPG、DeepJSCC、ADJSCC、DeepSC、JSCC、LDPC；指标包括PSNR、SSIM、MS-SSIM、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 = 37.93 dB、SNR = 35.79 dB、SNR = 36.96 dB、SNR = 35.12 dB、SNR = 35.43 dB、SNR = 35.37 dB、SNR = 33.49 dB、SNR = 34.41 dB、SNR = 33.16 dB、SNR = 31.79 dB。 PDF p.8

实验结果表明，与DeepJSCC-V和WITT方案相比，DF-JSCC方案的峰值信噪比分别提高了至少0.93dB和0.44dB，在相同传输条件下，其资源消耗降低了50%以上，虽然FEM和MC-FFM始终提供比DeepJSCC-V和ADJSCC更高的PSNR，但是它们在低SNR区域中的性能更接近于DF-JSCC。 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）”：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,AR应用的实现可能会消耗大量的计算和通信资源,这对AR设备提出了很大的挑战。 为此,AR设备首先利用图像编码器提取源图像的语义特征。 核心证据目标：实验结果表明,本文提出的基于语义通信的边缘辅助增强现实能够有效地降低整体延迟,并在性能上优于其他基准

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：为了减轻资源受限的增强现实设备的计算压力，边缘辅助增强现实技术近年受到了越来越广泛的关注。 PDF p.1
2. 仍然存在的问题：然而，AR应用的实现可能会消耗大量的计算和通信资源，这对AR设备提出了很大的挑战。 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：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：为此，AR设备首先利用图像编码器提取源图像的语义特征。 PDF p.1
6. 方案为何可能有效：因此，本研究旨在通过联合优化语义特征选择、掩蔽比和带宽分配来最小化边缘辅助增强现实的整体QoE感知延迟。 PDF p.1
7. 作者希望证明什么：实验结果表明，本文提出的基于语义通信的边缘辅助增强现实能够有效地降低整体延迟，并在性能上优于其他基准 PDF p.1

方法与端到端信息流

为此，增强现实设备首先利用图像编码器提取源图像的语义特征，通过对语义特征选择、掩蔽比和带宽分配等问题，本文的主要工作总结如下：在语义通信中，考虑到总延迟最小化问题，支持边缘辅助AR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：QoE-Aware Latency Optimization in Semantic Transmission Empowered Edge Assisted AR 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

数据集为DIV2K、ShapeNet；实验小节中明确出现的比较对象包括ResNet；指标包括PSNR、accuracy、latency。 PDF p.9

实验结果表明，本文提出的基于语义通信的边缘辅助增强现实算法能够有效地降低网络的整体时延，并在性能上优于其他两种算法。 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：但是,它们也面临着众多挑战,包括智能数据传输和海量数据量的传输。 为了应对这一挑战,我们提出了一种强大的语义通信方法,该方法利用对抗(ADV)训练来扩大其在各种不可见信道条件下的适应性。 核心证据目标：仿真实验表明,集成ADV训练产生了超过10%的信道状态变化时,在不增加神经网络的复杂性大幅提高性能。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，神经网络（NN）取得了显著的进步，特别是在跨文本、图像、音频和视频的编码任务方面。 PDF p.1
2. 仍然存在的问题：但是，它们也面临着众多挑战，包括智能数据传输和海量数据量的传输。 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：为了应对这一挑战，我们提出了一种强大的语义通信方法，该方法利用对抗（ADV）训练来扩大其在各种不可见信道条件下的适应性。 PDF p.1
6. 方案为何可能有效：具体来说，我们的方法通过结合ADV训练，使NN受到精心制作的ADV扰动，模仿不同的信道失真，增强了语义通信系统在不同信道条件下的鲁棒性。 PDF p.1
7. 作者希望证明什么：仿真实验表明，集成ADV训练产生了超过10%的信道状态变化时，在不增加神经网络的复杂性大幅提高性能。 PDF p.1

方法与端到端信息流

为了应对这一挑战，我们提出了一种鲁棒的语义通信方法，该方法利用对抗（ADV）训练来扩大其在各种不可见信道条件下的适应性。具体来说，我们的方法通过结合ADV训练来增强语义通信系统在不同信道条件下的鲁棒性，使神经网络受到精心制作的ADV扰动，模仿不同的信道失真。它表示我们专注于点到点的系统模型，点边缘人工智能（AI）通信网络。 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

第一个Conv层采用尺寸为3 × 32 × 32的输入图像，并应用64个大小为3 × 3的滤波器，步长为1，填充为1，产生大小为64 × 32 × 32的输出特征图。每个块的第一个Conv层中的步长设置为2，以对特征图进行下采样，而每个块中的第二Conv层保持步长1以保持空间分辨率。 表示判定：ADV 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

数据集和训练设置我们使用CIFAR-10数据集进行训练和测试，其中包含来自十个类别的图像，每个类别的大小为3 × 32 × 32。压缩率γ设置为1/12，导致SN输出大小为2 × 16 × 16。 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

此外，我们使用算法1为每个场景生成ADV训练数据：AWGN与ADV，Rayleigh与ADV，以及Rice与ADV。 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.4

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.4

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ResNet；指标包括accuracy、classification accuracy、mAP；信道/链路条件包括AWGN、Rayleigh、Rician、wireless channel。 PDF p.4

仿真实验表明，在不增加神经网络复杂度的情况下，结合ADV训练，在信道状态变化时，系统性能提高了10%以上，在训练场景和测试场景匹配时，系统性能与传统方法相似，但在非匹配场景下，系统性能优于传统方法，在复杂环境下具有良好的上级鲁棒性和适应性。 PDF p.1 PDF p.4

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,由于特征提取依赖于基于学习的模型,其性能从根本上取决于训练数据集或任务。 为此,我们的贡献如下:不同于现有的传输模型,执行字级特征提取,该模型选择性地传输字符的基础上提出的算法,并在接收端处重建它们。 核心证据目标：此外,该模型在不同的数据集和任务之间表现出鲁棒的性能,并且在低信噪比条件下优于传统通信。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着深度学习的最新进展，仅传输面向任务的特征的语义通信迅速出现。 PDF p.1
2. 仍然存在的问题：然而，由于特征提取依赖于基于学习的模型，其性能从根本上取决于训练数据集或任务。 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：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，我们的贡献如下：不同于现有的传输模型，执行字级特征提取，该模型选择性地传输字符的基础上提出的算法，并在接收端处重建它们。 PDF p.1
6. 方案为何可能有效：因此，我们专注于优化ICE以生成可以由LLM有效恢复的打孔文本。 PDF p.3
7. 作者希望证明什么：此外，该模型在不同的数据集和任务之间表现出鲁棒的性能，并且在低信噪比条件下优于传统通信。 PDF p.1

方法与端到端信息流

为此，我们的贡献如下：与现有的执行字级特征提取的传输模型不同，所提出的模型基于所提出的算法选择性地传输字符并在接收端重构它们。因此，我们专注于优化ICE以生成可以由LLM有效恢复的打孔文本。 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：Robust Transmission of Punctured Text With Large Language Model-Based Recovery 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.4

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.4

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.4

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DeepSC；指标包括BLEU、accuracy、PER；信道/链路条件包括AWGN。 PDF p.4

此外，该模型在不同的数据集和任务之间表现出鲁棒的性能，并且在低信噪比条件下优于传统通信。 PDF p.1

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：然而,传统的系统架构将通信和控制分开处理,导致分布式和资源受限环境中的可扩展性瓶颈和稳定性挑战。 为此,我们将这种方法扩展到一个更复杂和现实的设置:具有不同的动态和控制规则的系统的多目标控制。 核心证据目标：语义逻辑Koopman AE实现了与基线1相当的性能,并且在所有系统中显著优于基线2。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：这封信介绍了一种深度学习方法，用于预测具有不同动态和控制规则的不同系统的语义控制动态。 PDF p.1
2. 仍然存在的问题：然而，传统的系统架构将通信和控制分开处理，导致分布式和资源受限环境中的可扩展性瓶颈和稳定性挑战。 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：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：为此，我们将这种方法扩展到一个更复杂和现实的设置：具有不同的动态和控制规则的系统的多目标控制。 PDF p.1
6. 方案为何可能有效：通过利用自动编码器（AE）框架中的Koopman算子，使用动态语义Koopman（DSK）模型在潜在空间中线性化系统的状态演化，捕获基线语义动态。 PDF p.1
7. 作者希望证明什么：语义逻辑Koopman AE实现了与基线1相当的性能，并且在所有系统中显著优于基线2。 PDF p.5

方法与端到端信息流

为此，我们将这种方法扩展到更复杂和现实的环境：具有不同动态和控制规则的系统的多目标控制。通过利用自动编码器（AE）框架中的Koopman算子，使用动态语义Koopman（DSK）模型在潜在空间中线性化系统的状态演化，捕获基线语义动态。为了解决这个问题，我们在各种深度学习架构（如AE和transformers）中采用基于AE的深度学习方法，因为它在学习系统状态的低维表示方面的简单性和计算效率。 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：DSK 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.4

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.4

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.4

实验设置与主要结论

指标包括accuracy、PER；信道/链路条件包括packet loss、wireless channel；正文可定位的代表性工作点有SNR = 15 dB、SNR of 15 dB。 PDF p.4

语义逻辑Koopman AE实现了与基线1相当的性能，并且在所有系统中显著优于基线2。 PDF p.5

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,无线通信网络的有限能量、计算资源和带宽对及时计算和卸载效率提出了重大挑战。 为此,我们调查了一个语义感知的空中-海上MEC网络的恶意干扰,其中无人机提供基于语义通信(SemCom)的任务卸载服务的海事设备(MD)与二进制卸载的影响。 核心证据目标：仿真结果表明,所提方案与基准方案相比,能显著地降低系统的总能耗,揭示了海空能量的平衡关系。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：支持无人机（UAV）的海上移动的边缘计算（MEC）有效地满足了海上环境中日益增长的计算需求。 PDF p.1
2. 仍然存在的问题：然而，无线通信网络的有限能量、计算资源和带宽对及时计算和卸载效率提出了重大挑战。 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：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，我们调查了一个语义感知的空中-海上MEC网络的恶意干扰，其中无人机提供基于语义通信（SemCom）的任务卸载服务的海事设备（MD）与二进制卸载的影响。 PDF p.1
6. 方案为何可能有效：该问题是一个混合二元变量的强非凸问题，很难找到最优解。 PDF p.1
7. 作者希望证明什么：仿真结果表明，所提方案与基准方案相比，能显著地降低系统的总能耗，揭示了海空能量的平衡关系。 PDF p.1

方法与端到端信息流

为此，研究了一个具有语义感知能力的海-空MEC网络，在该网络中，无人机通过二进制卸载为海上设备提供基于语义通信的任务卸载服务，因此很难找到最优解，我们的目标是通过联合优化任务卸载指标、无人机轨迹和计算资源，保证任务及时完成，满足语义相似度约束。 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：EPM 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accuracy、latency、throughput、energy efficiency、semantic similarity、PER。 PDF p.10

仿真结果表明，与基准方案相比，该方案显著降低了总能耗，并揭示了空中和海上能量的权衡关系，在此情况下，最小化MD的能耗是优先考虑的，无人机倾向于从MD卸载语义任务以降低其能耗，同时保持语义相似性和任务延迟。 PDF p.1 PDF p.12

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：但是,需要解决两个挑战:用户聚类和基于语义通信的资源管理。 针对用户聚类的第一个问题,我们引入了一种基于语义三元组的结构来提取图像的语义特征,并基于语义特征和其他指标来定义图像交付任务的用户相似度。 核心证据目标：最后,设计了一种基于空间自适应(JSCSA)算法的联合语义压缩比选择和信道分配策略,以达到纳什均衡(NE),并证明了算法的收敛性。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：设备到设备（D2 D）组播通信是无线网络设计的重要组成部分，为5G和未来网络架构带来更大的灵活性和效率。 PDF p.1
2. 仍然存在的问题：但是，需要解决两个挑战：用户聚类和基于语义通信的资源管理。 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：针对用户聚类的第一个问题，我们引入了一种基于语义三元组的结构来提取图像的语义特征，并基于语义特征和其他指标来定义图像交付任务的用户相似度。 PDF p.1
6. 方案为何可能有效：我们考虑最常见的情形，其中BS位于通信系统的中心，并且Ne CU和Nu TU存在于其周围。 PDF p.3
7. 作者希望证明什么：最后，设计了一种基于空间自适应（JSCSA）算法的联合语义压缩比选择和信道分配策略，以达到纳什均衡（NE），并证明了算法的收敛性。 PDF p.1

方法与端到端信息流

对于用户聚类的第一个问题，我们引入了一种基于语义三元组的结构来提取图像的语义特征，并基于语义特征和其他指标来定义图像交付任务的用户相似度。我们考虑了最常见的场景，即BS位于通信系统的中心，并且在其周围存在Ne CU和Nu TU。因此，利用博弈论分析和解决图像语义和无线资源优化问题是一种很有前途的方法和途径。 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：Semantic-Based Resource Management Based on D2D Multicast Content Delivery: A Game-Theoretic 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.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 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.11

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.11

实验设置与主要结论

指标包括SSIM、latency。 PDF p.11

最后，我们设计了一种基于空间自适应（JSCSA）算法的联合语义压缩比选择和信道分配策略，以达到纳什均衡（NE），并证明了该算法的收敛性，由此可以推断，我们提出的算法在簇数为5时达到了其最优平均SC值，明显优于其他三种算法。 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：然而,智能设备的快速普及和对多样化通信服务的需求不断升级导致无线数据流量呈指数级激增,需要进一步发展以实现更快,更可靠的目标,T接收于2024年9月29日;修订于2025年3月4日;接受于2025年8月8日。 受此启发,我们提出了一个用于音频流传输的SemCom系统,名为SemAudio。 核心证据目标：我们的方案实现了更好的质量延迟权衡比传统的通信。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信（SemCom）通过传输语义特征，被认为是未来智能无线网络的一种很有前途的候选技术。 PDF p.1
2. 仍然存在的问题：然而，智能设备的快速普及和对多样化通信服务的需求不断升级导致无线数据流量呈指数级激增，需要进一步发展以实现更快，更可靠的目标，T接收于2024年9月29日;修订于2025年3月4日;接受于2025年8月8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：受此启发，我们提出了一个用于音频流传输的SemCom系统，名为SemAudio。 PDF p.1
6. 方案为何可能有效：然后，为了减轻信道噪声，我们联合设计的语义和信道编码，通过整合的知识在时域和频域。 PDF p.1
7. 作者希望证明什么：我们的方案实现了更好的质量延迟权衡比传统的通信。 PDF p.1

方法与端到端信息流

受此启发，本文提出了一种基于SemCom的音频流传输系统SemAudio，并结合时域和频域的知识，设计了语义编码和信道编码，以降低信道噪声，提出了一种基于SemCom的音频流传输框架SemAudio。 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

此外，为了减少内存消耗和优化模型的实时应用程序的执行，我们将参数精度从32位浮点到8位定点。 表示判定：SemAudio 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.13

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

然而，在AWGN信道下，当信噪比大于8dB时，传统方法的性能优于基于学习的方法，这是因为该方法降低了信道的失真;在低信噪比的AWGN信道和Rician信道下，F-SemAudio和L-SemAudio的性能都优于传统方法。 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.9 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.9 PDF p.10

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、QAM；指标包括MSE、PESQ、STOI、latency；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 = 12 dB。 PDF p.7

我们的方案实现了比传统通信更好的质量-延迟权衡。很明显，两种非流媒体系统（又名Ful-SemAudio和DeepSC-S）都优于流媒体方法。 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）”：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,现有的基于SNN的SC模型需要固定的时间步长,导致不能基于信道条件自适应地调整的固定传输带宽。 为了解决这个问题,本文介绍了一种新的SC模型SNN-SC-HARQ,它结合了基于SNN的SC模型与混合自动重传请求(HARQ)机制。 核心证据目标：实验结果表明,SNN-SC-HARQ可以根据信道条件动态调整带宽,而不会造成性能损失。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：先前的研究表明，与基于深度神经网络（DNN）的SC模型相比，基于尖峰神经网络（SNN）的SC模型在数字信道上表现出更强的鲁棒性。 PDF p.1
2. 仍然存在的问题：然而，现有的基于SNN的SC模型需要固定的时间步长，导致不能基于信道条件自适应地调整的固定传输带宽。 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：为了解决这个问题，本文介绍了一种新的SC模型SNN-SC-HARQ，它结合了基于SNN的SC模型与混合自动重传请求（HARQ）机制。 PDF p.1
6. 方案为何可能有效：SNN-SC-HARQ包括基于SNN的SC模型，其支持在变化的带宽下传输特征，沿着确定适当带宽的策略模型。 PDF p.1
7. 作者希望证明什么：实验结果表明，SNN-SC-HARQ可以根据信道条件动态调整带宽，而不会造成性能损失。 PDF p.1

方法与端到端信息流

为了解决这个问题，本文提出了一种新的SC模型SNN-SC-HARQ，它将基于SNN的SC模型与混合自动重传请求（HARQ）机制相结合，包括一个基于SNN的SC模型，支持在不同带宽下传输特征，沿着一个策略模型，用于确定合适的带宽。 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：语义特征包/调制符号与 HARQ 冗余版本

为了使K与BSC兼容，在SimNetE中使用1位量化。 表示判定：SNN-SC-HARQ 的主传输单位属于“语义特征包/调制符号与 HARQ 冗余版本”。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.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 5：语义感知 HARQ/重传与任务判据耦合

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：语义感知 HARQ/重传与任务判据耦合”。 信道处理归类为“类别 5：语义感知 HARQ/重传与任务判据耦合”。 PDF p.2 PDF p.3

语义 decoder 实际面对的是：初传或 HARQ 重传合并后的语义特征。 PDF p.2 PDF p.3

实验设置与主要结论

数据集为CIFAR-10、CIFAR-100；实验小节中明确出现的比较对象包括LDPC、ResNet、BERT；指标包括accuracy、classification accuracy、BER、PER；信道/链路条件包括BSC。 PDF p.3

实验结果表明，SNN-SC-HARQ可以根据信道条件动态调整带宽，而不会造成性能损失。 PDF p.1

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：为此,本文提出了一种新的基于深度空中计算的多用户语义通信框架--SC-DAC。 核心证据目标：仿真结果表明,随着用户数的增加,系统的性能保持相对稳定,并显示出潜在的资源利用率。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：另一方面，人工智能（AI）技术的快速发展使得物联网应用朝着更加智能、高效和个性化的方向发展。W接收日期：2024年6月9日;修订日期：2024年11月1日，2025年1月17日，当前版本日期：2025年9月19日。 PDF p.1
2. 仍然存在的问题：为此，本文提出了一种新的基于深度空中计算的多用户语义通信框架--SC-DAC。 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：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：为此，本文提出了一种新的基于深度空中计算的多用户语义通信框架--SC-DAC。 PDF p.1
6. 方案为何可能有效：通过深度空中计算（AirComp）编码器集成通信和计算，SC-DAC能够利用多个接入信道的叠加，促进传输期间的多用户信息融合，并消除接收端对多用户检测的需求。 PDF p.1
7. 作者希望证明什么：仿真结果表明，随着用户数的增加，系统的性能保持相对稳定，并显示出潜在的资源利用率。 PDF p.1

方法与端到端信息流

本文提出了一种新的基于深度空中计算的多用户语义通信框架SC-DAC来解决这一挑战。通过深度空中计算（AirComp）编码器将通信和计算集成在一起，SC-DAC能够利用多个接入信道的叠加，便于在传输过程中进行多用户信息融合，并且消除了在接收机处进行多用户检测的需要。然而，在大多数现有的工作中，将AirComp应用于单模态任务场景的数据融合，为复杂多变的多模态任务场景留下了进一步探索的空间。 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：SC-DAC 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

我们采用正交频分复用（OFDM）调制方式，在M个子载波上传输M维语义特征，并以人体动作识别和语义分割任务为例，分别在AWGN信道和Rayleigh信道下进行传输。 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.4 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.4 PDF p.10

实验设置与主要结论

数据集为ImageNet；指标包括accuracy、mIoU、PER；信道/链路条件包括AWGN、Rayleigh、fading channel、wireless channel。 PDF p.10

仿真结果表明，随着用户数的增加，系统性能保持相对稳定，在资源利用率方面显示出潜力，用户数的增加并不会带来准确性的显著提高，但可能会增加通信开销。 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,主要的研究是在预测信道状态,而不是实际传输的源信息。 在本文中,我们介绍了一种创新的预测语义通信模式,利用信号中固有的时空相关性,克服与无线传输和处理相关的固有延迟,从而接近理想的零延迟通信。 核心证据目标：此外,我们的预测方法显着提高了学习的感知图像补丁相似性(LPIPS),在一个恒定的延迟期间比传统方法增加了约43%。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：通过消除源信息中的语义冗余，语义通信可以实现超过香农极限的性能。 PDF p.1
2. 仍然存在的问题：然而，主要的研究是在预测信道状态，而不是实际传输的源信息。 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：在本文中，我们介绍了一种创新的预测语义通信模式，利用信号中固有的时空相关性，克服与无线传输和处理相关的固有延迟，从而接近理想的零延迟通信。 PDF p.1
6. 方案为何可能有效：聚类矢量量化自动编码器语义压缩我们的方法解决了语义图像压缩的核心技术，它使用无监督自回归方法来创建紧凑的表示，以实现高质量的图像恢复传输后丢失。 PDF p.3
7. 作者希望证明什么：此外，我们的预测方法显着提高了学习的感知图像补丁相似性（LPIPS），在一个恒定的延迟期间比传统方法增加了约43%。 PDF p.1

方法与端到端信息流

在本文中，我们介绍了一种创新的预测语义通信模式，它利用信号中固有的时空相关性，克服与无线传输和处理相关的固有延迟，从而接近零延迟通信的理想。聚类矢量量化自动编码器语义压缩我们的方法解决了语义图像压缩的核心技术，它使用无监督的自回归方法来创建高质量图像恢复posttransmission loss. ConvLSTM的预测紧凑的表示调查传输数据的时空相关性和减轻固有的通信延迟，我们提出了PCVAE架构。 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：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

该方法首先使用聚类矢量量化自动编码器语义压缩（CAESC）方法对图像进行语义压缩，在保持对重建质量影响最小的同时显著减少了传输的数据量。然后将潜在表示输入ConvLSTM进行时间建模和最终重建。 表示判定：Zero-Delay 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 PDF p.2

在实验中，我们使用了一个256 × 256 × 3的专有图像集，通过CAESC将这些图像压缩到一个64 × 64 × 1的离散潜在变量空间中。 PDF p.4

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 PDF p.4

语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。 PDF p.2 PDF p.4

实验设置与主要结论

信道/链路条件包括wireless channel。 PDF p.4

此外，我们的预测方法显著改善了学习感知图像块相似性（LPIPS），在一个恒定延迟周期内比传统方法提高了约43%，表明我们的算法在所有性能指标上都优于传统的JPEG压缩和即时传输方法。 PDF p.1 PDF p.5

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,它们对预定义任务和数据集的依赖极大地限制了它们在实际部署中的灵活性和通用性。 受此启发,在本文中,我们提出了SemCLIP,这是一个利用对比语言图像预训练(CLIP)模型的零拍摄SemCom框架。 核心证据目标：仿真结果表明,SemCLIP优于基线,在低信噪比下零拍性能提高了41%。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：大多数现有的语义通信（SemCom）系统使用深度联合信源信道编码（DeepJSCC）以面向目标的方式编码特定于任务的语义。 PDF p.1
2. 仍然存在的问题：然而，它们对预定义任务和数据集的依赖极大地限制了它们在实际部署中的灵活性和通用性。 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：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：受此启发，在本文中，我们提出了SemCLIP，这是一个利用对比语言图像预训练（CLIP）模型的零拍摄SemCom框架。 PDF p.1
6. 方案为何可能有效：具体来说，我们提出了一个DeepJSCC方案，用于高效的CLIP令牌编码。 PDF p.1
7. 作者希望证明什么：仿真结果表明，SemCLIP优于基线，在低信噪比下零拍性能提高了41%。 PDF p.1

方法与端到端信息流

受此启发，在本文中，我们提出了SemCLIP，一个利用对比语言图像预训练（CLIP）模型的零触发SemCom框架。具体来说，我们提出了一个用于高效CLIP令牌编码的DeepJSCC方案。为了解决这些挑战并开发零触发SemCom框架，我们提出了SemCLIP，一个基于CLIP模型的SemCom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：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：DeepJSCC 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.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

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.7

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.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DeepJSCC、JSCC、CLIP；指标包括accuracy、classification accuracy；正文可定位的代表性工作点有SNR = 0 dB。 PDF p.7

仿真结果表明，在低信噪比下，SemCLIP算法的零拍性能比CLIP-FT算法提高了41%，在-5 dB时，SemCLIP算法的分类性能比CLIP-FT算法提高了41%，在跨模态检索方面，两者的差距为35.67%。 PDF p.1 PDF p.10

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：针对车辆边缘计算(VEC)网络中通信资源和计算资源不足的问题,提出了一种语义通信感知的资源交易方案。 核心证据目标：仿真实验结果表明,该算法可在提高能量利用率的同时降低系统时延。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在第二节中，我们介绍了支持语义通信的VEC系统，包括网络模型、语义通信、边缘计算和赋值函数。 PDF p.1
2. 仍然存在的问题：针对车辆边缘计算（VEC）网络中通信资源和计算资源不足的问题，提出了一种语义通信感知的资源交易方案。 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：针对车辆边缘计算（VEC）网络中通信资源和计算资源不足的问题，提出了一种语义通信感知的资源交易方案。 PDF p.1
6. 方案为何可能有效：为了降低语义任务并发请求带来的计算开销，基于Myerson拍卖理论，提出了一种基于深度学习的拍卖机制，通过集成所提出的评估模型来执行资源交易。 PDF p.1
7. 作者希望证明什么：仿真实验结果表明，该算法可在提高能量利用率的同时降低系统时延。 PDF p.1

方法与端到端信息流

针对车辆边缘计算（VEC）网络中通信资源和计算资源的不足，提出了一种语义通信感知的资源交易机制，车辆将语义表示而不是原始数据卸载到边缘节点，提出了一种基于Myerson拍卖理论的基于深度学习的资源交易拍卖机制。 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：VEC 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.28

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.28

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.28

实验设置与主要结论

指标包括latency、PER。 PDF p.28

仿真结果表明，所提方案在提高能量效率的同时有效地降低了系统延迟，在低λ下，SemCom方案优于无能量方案，因为纯收入优化导致了不可控的能量成本增长，而能量感知训练改善了收入-成本的平衡。 PDF p.1 PDF p.35

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：虽然可以使用信号与干扰加噪声比(SINR)度量来有效地管理用户关联,但是由于可用信道的有限数量以及用户数据和语义三元组的异构性质和变化的优先级,在第二阶段中的数据传输遇到了重大挑战。 针对这一问题,提出了一种计算复杂度较低的多智能体强化学习(MARL)算法。 核心证据目标：值得注意的是,以系统为中心的模式和增强的UAV协调性明显优于以用户为中心的方法。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文研究了一种支持语义通信（SemCom）的多无人机（UAV）辅助中继系统，该系统工作在多时隙框架内，每个时隙包括两个不同的阶段。 PDF p.1
2. 仍然存在的问题：虽然可以使用信号与干扰加噪声比（SINR）度量来有效地管理用户关联，但是由于可用信道的有限数量以及用户数据和语义三元组的异构性质和变化的优先级，在第二阶段中的数据传输遇到了重大挑战。 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：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：针对这一问题，提出了一种计算复杂度较低的多智能体强化学习（MARL）算法。 PDF p.1
6. 方案为何可能有效：为了解决这一问题，我们提出了一个优化问题，旨在联合优化信道关联、发射功率和UAV三元组选择的优先级阈值。 PDF p.1
7. 作者希望证明什么：值得注意的是，以系统为中心的模式和增强的UAV协调性明显优于以用户为中心的方法。 PDF p.1

方法与端到端信息流

为了解决这一问题，本文提出了一种计算复杂度较低的多智能体强化学习（MARL）算法。为了解决这一问题，我们提出了一个优化问题，旨在联合优化信道关联、发射功率和无人机三元组选择的优先级阈值。激励和贡献在现有工作的激励下，我们研究了一个多无人机辅助中继系统，其中无人机充当空中中继，将多个地面用户的数据转发到远程BS。 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：UAV-Aided 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

实验小节中明确出现的比较对象包括DQN；指标包括PER；信道/链路条件包括fading channel。 PDF p.7

值得注意的是，以系统为中心的模式和增强的UAV协调性明显优于以用户为中心的方法。UAR-AM在所有信道配置上始终优于所有基线方案，当信道稀少时（即，2，3和4），增益特别大。 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：然而,在这种复杂环境下,由于严重的干扰和非视距条件,无线通信往往不稳定,难以为UAV-UGV协同提供及时、准确的路径规划支持。 为此,提出了一种基于语义通信(SemCom)的无人机/无人地面车协同路径规划框架,以提高不可靠无线环境下的无人机/无人地面车协同路径规划能力。 核心证据目标：仿真结果表明新设计的SemCom收发器与传统的SemCom收发器相比,在保持路径规划精度的同时,显著降低了数据传输量,提高了系统协作效率。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：有效的路径规划是无人机（UAV）和无人地面车辆（UGV）系统协调的基础，特别是在监视、导航和应急响应等应用中。 PDF p.1
2. 仍然存在的问题：然而，在这种复杂环境下，由于严重的干扰和非视距条件，无线通信往往不稳定，难以为UAV-UGV协同提供及时、准确的路径规划支持。 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，提出了一种基于语义通信（SemCom）的无人机/无人地面车协同路径规划框架，以提高不可靠无线环境下的无人机/无人地面车协同路径规划能力。 PDF p.1
6. 方案为何可能有效：提出了一种基于控制感知的无人机/无人地面运载器协同路径规划SemCom框架，并在路径规划关键语义的指导下，以一个动态稀疏收发器为例进行了实例化。 PDF p.2
7. 作者希望证明什么：仿真结果表明新设计的SemCom收发器与传统的SemCom收发器相比，在保持路径规划精度的同时，显著降低了数据传输量，提高了系统协作效率。 PDF p.1

方法与端到端信息流