IEEE TWC 语义通信论文全景调研（2023—至今）

一句话主旨：DeepSC-ST 面向语音/音频传输或识别，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，随着人工智能（AI）技术的蓬勃发展，人们对智能应用的需求空前高涨，对通信系统的传输效率提出了更高的要求，对传统的通信系统提出了更高的要求。 PDF p.1
2. 仍然存在的问题：然而，由于缺乏数学模型，语义信息的量化具有挑战性。 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：语音的可懂度、识别正确率与波形误差并不总是同步，少量包丢失也可能破坏整段语言内容；有限码率下应优先保护语言与说话人语义。 PDF p.1
5. 本文提出什么：本文提出了一种基于深度学习的语音语义通信系统DeepSC-ST。 PDF p.1
6. 方案为何可能有效：受此启发，我们提出了一个DL启用的语义通信系统，命名为DeepSC-ST，语音传输和服务用户不同的请求。 PDF p.2
7. 作者希望证明什么：仿真结果表明，DeepSC-ST的性能明显优于传统通信系统和现有的支持下行链路的通信系统，尤其是在低信噪比（SNR）条件下。 PDF p.1

方法与端到端信息流

在本文中，我们开发了一个基于深度学习的语音传输语义通信系统，命名为DeepSC-ST。受此启发，我们提出了一个DL启用的语义通信系统，命名为DeepSC-ST，用于语音传输和服务不同请求的用户。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：DeepSC-ST 的主传输单位应归为“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

DeepSC-ST 将语音语义特征映射为连续信道符号；AWGN、Rayleigh 或 Rician 噪声直接作用于这些连续符号，接收端再恢复文本或语音。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.12

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.12

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepSC、Polar、Transformer、QAM、DeepSC-S、DeepSC-ST、BERT；指标包括WER、CER、accuracy、latency；信道/链路条件包括AWGN、Rayleigh、Rician、fading channel；正文可定位的代表性工作点有SNR=8 dB。 PDF p.9

仿真结果表明，DeepSC-ST的性能明显优于传统通信系统和现有的支持下行链路的通信系统，尤其是在低信噪比（SNR）条件下。 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”：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。

一句话主旨：Edge Learning for Large-Scale Internet of Things With Task-Oriented Efficient Communication 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在物联网（IoT）网络中，面向数据驱动型任务的边缘学习提供了智能应用和服务。 PDF p.1
2. 仍然存在的问题：随着网络规模变大，不同的用户可能生成不同的数据集。 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：随着网络规模变大，不同的用户可能生成不同的数据集。 PDF p.1
6. 方案为何可能有效：因此，为了适应大规模物联网网络的多个边缘学习任务，本文通过使用无线资源分配和边缘学习误差预测的协同设计，考虑在面向任务的原则下进行有效的通信。 PDF p.1
7. 作者希望证明什么：由于所设计的算法的高度并行化，大量的实验结果证实，多用户调度和面向任务的功率分配有效地提高了性能的不同边缘学习任务相比，最先进的基准算法。 PDF p.1

方法与端到端信息流

随着网络规模的扩大，不同用户可能会生成不同的数据集，因此，为了适应大规模物联网网络的多个边缘学习任务，本文考虑在面向任务的原则下，通过无线资源分配和边缘学习误差预测的协同设计来实现高效通信。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Edge Learning for Large-Scale Internet of Things With Task-Oriented Efficient Communication 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

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

实验设置与主要结论

数据集为MNIST、ModelNet40；实验小节中明确出现的比较对象包括ResNet、YOLO；指标包括accuracy、MSE、PER；信道/链路条件包括wireless channel。 PDF p.10

由于所设计的算法的高度并行化，大量的实验结果证实，多用户调度和面向任务的功率分配有效地提高了性能的不同边缘学习任务相比，最先进的基准算法。 PDF p.1

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。

一句话主旨：Excess Distortion Exponent Analysis for Semantic-Aware MIMO Communication Systems 面向语义信息度量与理论，把问题放在“语义信息理论与性能度量”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文分析了语义感知通信系统中信源信道联合编码（JSCC）的超额失真指数。 PDF p.1
2. 仍然存在的问题：通过引入一个不可观测的语义源，我们将Csiszar的经典结果扩展到语义感知的通信系统。 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：通过引入一个不可观测的语义源，我们将Csiszar的经典结果扩展到语义感知的通信系统。 PDF p.1
6. 方案为何可能有效：通过引入一个不可观测的语义源，我们将Csiszar的经典结果扩展到语义感知的通信系统。 PDF p.1
7. 作者希望证明什么：根据（a）不同的相干时间Nc（B）不同的EJ的相关系数（由EJopt和最佳JSCC码率R_（max）标记），对不同的JSCC方案对最佳码率R_（max）进行比较。 PDF p.9

方法与端到端信息流

通过引入一个不可观测的语义源，我们将Csiszar的经典结果推广到了语义感知的通信系统，这是远程源编码问题与我们的源系统模型的主要区别。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Excess Distortion Exponent Analysis for Semantic-Aware MIMO Communication Systems 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.9

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

实验设置与主要结论

实验小节中明确出现的比较对象包括JSCC；信道/链路条件包括MIMO、block fading。 PDF p.9

根据（a）不同的相干时间Nc（B）不同的EJ的相关系数（由EJopt和最佳JSCC码率R_（max）标记），对不同的JSCC方案对最佳码率R_（max）进行比较。 PDF p.9

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。

一句话主旨：ISCC 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：边缘设备协同推理是指在设备和边缘服务器的协作下，在网络边缘部署经过良好训练的人工智能（AI）模型，以提供环境智能服务。 PDF p.1
2. 仍然存在的问题：然而，这些服务的实现高度依赖于在网络边缘利用训练有素的AI模型的推理能力进行智能决策。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：为了从系统的角度提高边缘设备协同推理任务中有限网络资源的利用率，我们提出了一种面向任务的集成传感、计算和通信（ISCC）方案。 PDF p.1
6. 方案为何可能有效：在此准则下，将感知功率分配、发射预编码和接收波束赋形联合问题转化为一个问题。 PDF p.1
7. 作者希望证明什么：基于一个人体运动识别任务的实验进行了验证，该方案的优势，现有的计划和基线。 PDF p.1

方法与端到端信息流

为了从系统的角度提高边缘设备协同推理任务中有限网络资源的利用率，本文提出了一种面向任务的集成感知、计算和通信（ISCC）方案，并在此准则下建立了感知功率分配、发送预编码和接收波束赋形的联合问题。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：ISCC 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

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

实验设置与主要结论

实验小节中明确出现的比较对象包括OFDM；指标包括accuracy、latency；信道/链路条件包括Rayleigh、MIMO、OFDM、fading channel。 PDF p.10

基于一个人体运动识别任务的实验进行了验证，该方案的优势，现有的计划和基线。 PDF p.1

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。

一句话主旨：AirPooling 面向边缘学习与任务通信，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：感知是第六代（6G）移动的网络的一项关键网络功能，通过人工智能（AI）融合边缘网络中设备的多个感知视图，使边缘服务器能够进行准确的推理。 PDF p.1
2. 仍然存在的问题：然而，尽管在实践中最受欢迎，但称为Max-AirPooling的空中最大化并不是AirComp可实现的，因为AirComp只处理有限的功能子集。 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：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：为了缓解这个问题，我们提出了一个面向任务的分布式传感的同时访问计划称为空中池（AirPooling）。 PDF p.1
6. 方案为何可能有效：为了缓解这个问题，我们提出了一个面向任务的分布式传感的同时访问计划称为空中池（AirPooling）。 PDF p.1
7. 作者希望证明什么：在真实世界数据集上获得的实验结果表明，AirPooling提供的传感精度接近传统数字空中接口所能达到的精度，但大大降低了通信延迟，最高可达一个数量级。 PDF p.1

方法与端到端信息流

为了缓解这个问题，我们提出了一种面向任务的分布式传感同时访问方案，称为空中共享（Over-the-Air Pooling，AirPooling）。设计广义空中共享：我们提出了一种新的广义空中共享技术，包括平均空中共享和最大空中共享两种特殊情况。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：AirPooling 的主传输单位应归为“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

我们考虑Rician衰落，其中视线（LoS）信道增益与非LoS信道增益的比率被设置为4dB。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.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.9

实验设置与主要结论

数据集为ModelNet40、ShapeNet；实验小节中明确出现的比较对象包括OFDM、BERT；指标包括mAP、accuracy、classification accuracy、latency、MSE、throughput、PER；信道/链路条件包括Rician、MIMO、fading channel、OFDM、wireless channel、block fading；正文可定位的代表性工作点有SNR 6 dB、SNR of 6 dB。 PDF p.3

在真实世界数据集上获得的实验结果表明，AirPooling提供的传感精度接近传统数字空中接口所能达到的精度，但大大降低了通信延迟，最高可达一个数量级。 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”：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。

一句话主旨：PADC 面向图像传输、压缩或生成，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：PADC由支持可变代码长度的DeepJSCC实现（DeepJSCC-V）模型，用于根据图像传输任务的内容、信道信噪比（SNR）和压缩比（CR）值来预测图像传输任务的峰值信噪比（PSNR）值，CR优化器的目标是找到具有PSNR质量约束的最小数据级或实例级CR。 PDF p.1
2. 仍然存在的问题：然而，现有的基于DeepJSCC的语义通信框架仍然不能实现针对不同信道SNR和图像内容的自适应码率，这降低了其灵活性和带宽效率。 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：在本文中，我们提出了一个预测和自适应深度编码（PADC）框架，实现灵活的码率优化与给定的目标传输质量要求。 PDF p.1
6. 方案为何可能有效：借助DeepJSCC-V和OraNet模型，我们在PADC框架下提出了数据级CR优化和实例级优化。 PDF p.3
7. 作者希望证明什么：仿真结果表明，所提出的DeepJSCC-V模型可以实现类似的PSNR性能与最先进的基于注意力的DeepJSCC（ADJSCC）模型相比，所提出的OraNet模型能够预测高质量的PSNR值，平均误差低于0.5dB。 PDF p.1

方法与端到端信息流

本文提出了一种预测自适应深度编码（PADC）框架，用于在给定目标传输质量要求的情况下实现灵活的码率优化。借助DeepJSCC-V和OraNet模型，我们在PADC框架下提出了数据级CR优化和实例级优化。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：PADC 的主传输单位应归为“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

回想一下，在本文中，我们将最大允许SC信道数设置为48，因为我们在编码器中使用了两次下采样操作，因此获得的SC形状为48×192×128。 PDF p.13

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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.10

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

实验设置与主要结论

数据集为Kodak；实验小节中明确出现的比较对象包括DeepJSCC、JPEG2000、JPEG、BPG、LDPC、ADJSCC、JSCC；指标包括PSNR、MSE；信道/链路条件包括AWGN、Rayleigh、fading channel。 PDF p.10

仿真结果表明，所提出的DeepJSCC-V模型可以实现类似的PSNR性能与最先进的基于注意力的DeepJSCC（ADJSCC）模型相比，所提出的OraNet模型能够预测高质量的PSNR值，平均误差低于0.5dB。 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”：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。

一句话主旨：ProgressFTX 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：我们考虑在无线边缘的推理场景，其中设备连接到边缘服务器，并要求服务器进行远程分类，即对边缘设备处可用的数据样本进行分类。 PDF p.1
2. 仍然存在的问题：这要求边缘设备通过资源受限的无线信道上传样本的高维特征，这产生了通信瓶颈。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：为了解决这个问题，我们提出了渐进式特征传输（ProgressFTX）协议，该协议通过渐进式传输特征来最大限度地减少开销，直到达到目标置信水平。 PDF p.1
6. 方案为何可能有效：这项工作的贡献是ProgressFTX协议的建议和一个次优的，但有效的控制协议的政策的设计。 PDF p.2
7. 作者希望证明什么：结果表明，ProgressFTX可以大大减少通信延迟相比，传统的功能修剪和随机特征传输策略。 PDF p.1

方法与端到端信息流

为了解决这个问题，我们提出了渐进式的功能传输（ProgressFTX）协议，它通过逐步传输功能，直到达到目标的置信水平，最大限度地减少了开销。这项工作的贡献是ProgressFTX协议的建议和设计的次优，但有效的策略控制协议。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：ProgressFTX 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

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

实验设置与主要结论

数据集为MNIST；指标包括mAP、accuracy、classification accuracy、latency、throughput、PER；信道/链路条件包括fading channel、wireless channel；正文可定位的代表性工作点有SNR =4 dB。 PDF p.10

结果表明，ProgressFTX可以大大减少通信延迟相比，传统的功能修剪和随机特征传输策略。 PDF p.1

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。

一句话主旨：VQ-VAE 面向图像传输、压缩或生成，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“显式数字语义表示：bit、离散 token 或码本 index”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：虽然语义通信在大量任务上表现出令人满意的性能，但语义噪声的影响和系统的鲁棒性还没有得到很好的研究。 PDF p.1
2. 仍然存在的问题：语义噪声是指在语义符号的理解过程中，语义符号的意图和接受之间的误导，从而导致任务的失败。 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：然后，我们提出了屏蔽的一部分输入，其中语义噪声出现频繁，并设计了屏蔽矢量量化变分自动编码器（VQ-VAE）与噪声相关的掩蔽策略。 PDF p.1
6. 方案为何可能有效：因此，在本文中，我们在通信领域的语义噪声建模，并设计了一个鲁棒的语义通信系统，可以有效地对抗语义噪声与较低的传输开销。 PDF p.2
7. 作者希望证明什么：仿真结果表明，该方法可应用于多种下游任务，在显著降低传输开销的同时，显著提高了对语义噪声的鲁棒性。 PDF p.1

方法与端到端信息流

在此基础上，本文提出对语义噪声频繁出现的部分输入进行屏蔽，并采用噪声相关屏蔽策略设计屏蔽矢量量化变分自编码器（VQ-VAE），从而在通信领域对语义噪声进行建模，设计一个鲁棒的语义通信系统，以较低的传输开销有效地对抗语义噪声。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：显式数字语义表示：bit、离散 token 或码本 index

然后，我们提出了屏蔽的一部分输入，其中语义噪声出现频繁，并设计了屏蔽矢量量化变分自动编码器（VQ-VAE）与噪声相关的掩蔽策略。 独立判断：VQ-VAE 的主传输单位应归为“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

“Patch-16”设置把每个 16×16×3 图像块压缩为一个离散标量/index；因此 H×W 图像约产生 (H/16)(W/16) 个 index。若码本大小为 K，净索引开销为 (H/16)(W/16)⌈log₂K⌉ bit，尚未包含 LDPC、调制与包头。 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 1：形成数字表示，但物理链路按可靠 bitstream 抽象

我们采用16-QAM调制与低密度奇偶校验码（LDPC）的比率为1/2。 本调研据此归为“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”。 这些传统信道编码/调制条目若只属于 baseline，不改变所提语义接收机默认可靠输入的分类。 PDF p.10

语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。 PDF p.10

实验设置与主要结论

数据集为CIFAR-10、ImageNet；实验小节中明确出现的比较对象包括JPEG、LDPC、VQ-VAE、VAE、ViT、Transformer、QAM、JSCC、ResNet；指标包括mAP、accuracy、classification accuracy、semantic similarity、BER；信道/链路条件包括MIMO。 PDF p.10

仿真结果表明，该方法可应用于多种下游任务，在显著降低传输开销的同时，显著提高了对语义噪声的鲁棒性。 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”：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。

一句话主旨：Semantic-Aware Sensing Information Transmission for Metaverse: A Contest Theoretic Approach 面向点云/三维场景传输，把问题放在“语义信息理论与性能度量”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着网络技术和计算机技术的发展，虚拟赛博空间不断发展，以虚拟世界为主要代表。 PDF p.1
2. 仍然存在的问题：然而，随着时间的推移，经济蓬勃发展，各种技术不断发展，将曾经想象的世界变成现实。 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：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：受新兴语义通信的启发，本文提出了一个将感知信息从物理世界传输到元宇宙的语义传输框架。 PDF p.1
6. 方案为何可能有效：受此启发，在本文中，我们提出了一个语义感知的传感数据传输框架，包括基于竞争理论的激励机制，提供无线传感数据，即信道频率响应（CFR）功率，从物理世界到Metaverse。 PDF p.2
7. 作者希望证明什么：实验结果表明，语义编码后的平均数据量减少到编码前的27.87%左右，同时保证了感知性能。 PDF p.1

方法与端到端信息流

受新兴语义通信的启发，本文提出了一种将感知信息从物理世界传输到Metaverse的语义传输框架，并提出了一种基于语义感知的感知数据传输框架，该框架包括基于竞争理论的激励机制，用于传输无线感知数据，即信道频率响应（CFR）功率，从物理世界到虚拟世界 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Semantic-Aware Sensing Information Transmission for Metaverse: A Contest Theoretic Approach 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“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、utility、BER、PER；信道/链路条件包括Rayleigh、Nakagami。 PDF p.9

实验结果表明，语义编码后的平均数据量减少到编码前的27.87%左右，同时保证了感知性能。 PDF p.1

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。

一句话主旨：DIB 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：虽然设备边缘协同推理与面向任务的通信一起实现了资源受限设备的低延迟推理，但其性能受到单个设备的感测能力的限制。 PDF p.1
2. 仍然存在的问题：具体来说，我们利用Tishby的信息瓶颈（IB）原理（Tishby et al.，2000）来提取每个边缘设备上的任务相关特征，并采用Aguerri和Zaidi，2021的分布式信息瓶颈（DIB）框架，以形式化分布式特征编码的最佳速率相关性权衡的单字母表征。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：为了实现低延迟的协同推理，我们提出了一种基于学习的通信方案，该方案以面向任务的方式优化本地特征提取和分布式特征编码，即去除数据冗余并传输下游推理任务所必需的信息，而不是在边缘服务器上重建数据样本。 PDF p.1
6. 方案为何可能有效：具体来说，我们利用Tishby的信息瓶颈（IB）原理（Tishby et al.，2000）来提取每个边缘设备上的任务相关特征，并采用Aguerri和Zaidi，2021的分布式信息瓶颈（DIB）框架，以形式化分布式特征编码的最佳速率相关性权衡的单字母表征。 PDF p.1
7. 作者希望证明什么：多视角图像分类和多视角对象识别任务上的大量实验证明，所提出的面向任务的通信方案比现有方法实现了更好的速率相关性权衡。 PDF p.1

方法与端到端信息流

为了实现低延迟的协同推理，我们提出了一种基于学习的通信方案，该方案以面向任务的方式优化局部特征提取和分布式特征编码，即，去除数据冗余并传输下游推理任务所必需的信息，而不是在边缘服务器处重构数据样本。我们利用Tishby的信息瓶颈（IB）原理（Tishby等人，2000年），以提取每个边缘设备处的任务相关特征，并采用Aguerri和Zaidi，2021年的分布式信息瓶颈（DIB）框架，以形式化分布式特征编码的最佳速率相关性权衡的单字母表征。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：DIB 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“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CIFAR-10、ImageNet、MNIST、ModelNet40、Tiny ImageNet；实验小节中明确出现的比较对象包括ETC；指标包括accuracy、classification accuracy、latency、PER、Rsum。 PDF p.9

多视角图像分类和多视角对象识别任务上的大量实验证明，所提出的面向任务的通信方案比现有方法实现了更好的速率相关性权衡。 PDF p.1

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。

一句话主旨：Task-Oriented Explainable Semantic Communications 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“显式数字语义表示：bit、离散 token 或码本 index”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信利用收发器计算资源来缓解稀缺的传输资源，诸如带宽和能量。 PDF p.1
2. 仍然存在的问题：虽然传统的基于深度学习（DL）的设计可以实现一定的传输效率，但是提取的特征的不可解释性问题是语义通信发展中的主要挑战。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：在本文中，我们提出了一个可解释的和强大的语义通信框架，结合建立良好的比特级通信系统，它不仅提取和解开功能独立和语义可解释的功能，但也只选择任务相关的功能进行传输，而不是所有提取的功能。 PDF p.1
6. 方案为何可能有效：本文的主要工作如下：·提出了一个基于比特级通信系统的语义通信框架，该框架包括一个新颖的语义编码器，以及相应的解码器、特征选择和语义信道。 PDF p.2
7. 作者希望证明什么：我们的模拟和实验表明，我们提出的可解释的语义通信系统可以显着提高传输效率，也验证了我们提出的强大的语义传输方案的有效性。 PDF p.1

方法与端到端信息流

在本文中，我们提出了一个可解释的和健壮的语义通信框架，通过结合成熟的比特级通信系统，它不仅提取和整理特征，成为独立的和语义上可解释的特征，而且只选择与任务相关的特征进行传输，而不是所有提取的特征。本文的主要贡献总结如下：·提出了一个基于比特级通信系统的语义通信框架，该框架包括一个新颖的语义编码器，以及相应的解码器、特征选择和语义信道。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：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

具体而言，语义信道同时考虑量化误差（或噪声）和物理信道噪声，因为这些噪声源可能导致语义信息模糊，并且语义信道封装了传统的比特级通信系统，这意味着与JSCC方案相比，所提出的框架可以更容易地实现。 独立判断：Task-Oriented Explainable Semantic Communications 的主传输单位应归为“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.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 1：形成数字表示，但物理链路按可靠 bitstream 抽象

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释信道作用点。 本调研据此归为“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.9

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.9

实验设置与主要结论

数据集为MNIST、CelebA；实验小节中明确出现的比较对象包括DeepJSCC、JPEG、VAE、JSCC；指标包括PSNR、accuracy；信道/链路条件包括Rayleigh、fading channel。 PDF p.9

我们的模拟和实验表明，我们提出的可解释的语义通信系统可以显着提高传输效率，也验证了我们提出的强大的语义传输方案的有效性。 PDF p.1

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。

一句话主旨：The Age of Incorrect Information 面向通用语义通信系统，把问题放在“语义信息理论与性能度量”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：由于电池生产的技术进步和无线电设备的廉价成本，通信系统不再局限于传统的数据和语音交换框架。 PDF p.1
2. 仍然存在的问题：首先，我们揭示了传统的通信模式，其角色盲的数据方法，是容易受到性能瓶颈。 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：在本文中，我们介绍了不正确的信息时代（AoII）作为语义授权的通信，一个新倡导的通信范式围绕数据的作用和它的有用性的通信目标的使能者。 PDF p.1
6. 方案为何可能有效：因此，为了从网络中提取最佳性能，我们的系统设计无疑必须包括所涉及数据的用途。 PDF p.2
7. 作者希望证明什么：有趣的是，AoII最优策略实现了与错误最优策略相同的错误性能（即，AoII最优策略也是错误最优的）。 PDF p.8

方法与端到端信息流

在本文中，我们介绍了不正确信息时代（AoII）作为语义授权通信的推动者，这是一种新倡导的以数据的作用及其对通信目标的有用性为中心的通信范式。因此，为了从网络中提取最佳性能，我们的系统设计无疑必须包括所涉及的数据的目的。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：The Age of Incorrect Information 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“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AoI、utility。 PDF p.9

有趣的是，AoII最优策略实现了与错误最优策略相同的错误性能（即，AoII最优策略也是错误最优的）。 PDF p.8

通信价值、局限与 Codex 判断

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

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

一句话主旨：Ti-GSC 面向文本传输或语言任务，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，语义通信（SC）被认为是6G最有潜力的范例之一。 PDF p.1
2. 仍然存在的问题：由于实际的CSI不能准确地获得和信道估计的开销不能忽略，因此，我们提出了一个生成的对抗网络（GAN）的SC框架（Ti-GSC），不需要CSI。 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：当前的SC框架需要物理层信道状态信息（CSI），以便处理由信道衰落引起的严重信号失真。 PDF p.1
6. 方案为何可能有效：基于文本的应用程序是我们日常生活中最流行的应用程序之一，在这项研究中，我们专注于设计一个有效的SC文本数据没有CSI。 PDF p.2
7. 作者希望证明什么：此外，在没有CSI的情况下，Ti-GSC实现的BLEU分数分别比现有SC框架在Rician和Rayleigh衰落中实现的BLEU分数高约40%和62%。 PDF p.1

方法与端到端信息流

目前的SC框架需要物理层信道状态信息（CSI），以处理严重的信号失真引起的信道衰落，基于文本的应用是我们日常生活中最流行的，在这项研究中，我们专注于设计一个高效的SC文本数据没有CSI。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Ti-GSC 的主传输单位应归为“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

由于所提出的非CSI框架在严重的信道衰落（如瑞利衰落信道）下性能有限。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.12

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

实验设置与主要结论

数据集为Europarl；实验小节中明确出现的比较对象包括GAN、Transformer、RSMA、PPO、DQN、OFDM、BERT、CLIP；指标包括BLEU、energy efficiency、semantic similarity、utility、NMSE、PER；信道/链路条件包括AWGN、Rayleigh、Rician、MIMO、OFDM、fading channel、Nakagami；正文可定位的代表性工作点有SNR = 9 dB、SNR = 15 dB、SNR = 24 dB。 PDF p.10

此外，在没有CSI的情况下，Ti-GSC实现的BLEU分数分别比现有SC框架在Rician和Rayleigh衰落中实现的BLEU分数高约40%和62%。 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。

一句话主旨：R-DeepSC 面向文本传输或语言任务，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：然后，我们提出了一个强大的深度学习使能的语义通信系统（R-DeepSC），通过引入一个语义校正器进行强大的语义编码，以促进语义传输。 PDF p.1
2. 仍然存在的问题：然而，语义通信不仅容易受到物理信道损伤，而且还容易受到语义损伤，这降低了接收端处的语义理解并破坏了相关联的下游任务。 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：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：然后，我们提出了一个强大的深度学习使能的语义通信系统（R-DeepSC），通过引入一个语义校正器进行强大的语义编码，以促进语义传输。 PDF p.1
6. 方案为何可能有效：具体来说，我们首先将语篇语义障碍分为三类，根据其来源。 PDF p.1
7. 作者希望证明什么：我们的实验结果证明了所提出的R-DeepSC和NA-RDeepSC架构在消除语义损伤方面的上级鲁棒性，从而突出了这项工作在推进鲁棒语义通信发展方面的重要性。 PDF p.1

方法与端到端信息流

然后，我们提出了一个鲁棒的深度学习支持的语义通信系统（R-DeepSC），通过引入语义校正器进行鲁棒的语义编码，以促进语义传输。具体来说，我们首先根据其来源将文本语义损伤分为三类。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：R-DeepSC 的主传输单位应归为“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

此外，与AWGN信道相比，NA-RDeepSC和R-DeepSC之间的性能差距在莱斯衰落信道下变得更窄。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.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.10

实验设置与主要结论

数据集为Europarl、LibriSpeech；实验小节中明确出现的比较对象包括DeepSC、LDPC、VQ-VAE、VAE、Transformer、QAM、OFDM、BERT；指标包括BLEU、BERTScore、semantic similarity；信道/链路条件包括AWGN、Rayleigh、Rician、MIMO、OFDM、fading channel、OTFS。 PDF p.9

我们的实验结果证明了所提出的R-DeepSC和NA-RDeepSC架构在消除语义损伤方面的上级鲁棒性，从而突出了这项工作在推进鲁棒语义通信发展方面的重要性。 PDF p.1

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。

一句话主旨：AoII 面向语义感知资源分配与网络优化，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在基于卫星的物联网（S-IoT）网络中，卫星可以通过非正交多址接入技术（NOMA）向大量地面用户设备（UE）提供及时的状态更新。 PDF p.1
2. 仍然存在的问题：然而，现有的下行NOMA系统大多是内容无关的，这可能导致在资源有限的S-IoT中存在冗余传输。 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：该文设计了一种基于语义增强的不正确信息年龄（AoII）的内容感知采样策略，同时评估状态更新的新鲜度和价值，并建立了一个具有平均/峰值功率约束、网络稳定性和新鲜度要求的长期平均AoII最小化问题。 PDF p.1
6. 方案为何可能有效：该文设计了一种基于语义增强的不正确信息年龄（AoII）的内容感知采样策略，同时评估状态更新的新鲜度和价值，并建立了一个具有平均/峰值功率约束、网络稳定性和新鲜度要求的长期平均AoII最小化问题。 PDF p.1
7. 作者希望证明什么：评估结果表明，与现有算法相比，SAC-AMPA算法能够在更低的功耗和带宽消耗下获得最好的长期平均AoII性能。 PDF p.1

方法与端到端信息流

在本文中，我们设计了一个内容感知的采样策略，通过一个语义授权的度量，命名为年龄的不正确的信息（AoII），以评估新鲜度和价值的状态更新，并制定了一个长期的平均AoII最小化问题的三个约束，包括平均/峰值功率约束，网络稳定性和新鲜度的要求。在语义赋能的NOMA系统中，利用内容感知的采样策略，通过李雅普诺夫优化框架，建立了一个在三个长期约束和一个短期约束下的长期平均AoII最小化问题，最后通过基于DRL的算法求解该优化问题。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：AoII 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

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

实验设置与主要结论

实验小节中明确出现的比较对象包括NOMA、PPO、DDPG、SAC、CLIP；指标包括AoI、utility；信道/链路条件包括Rician、MIMO、fading channel；正文可定位的代表性工作点有SNR = 15 dB、SNR = 20 dB。 PDF p.9

评估结果表明，与现有算法相比，SAC-AMPA算法能够在更低的功耗和带宽消耗下获得最好的长期平均AoII性能。 PDF p.1

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。

一句话主旨：AirNet 面向图像传输、压缩或生成，把问题放在“联合信源信道编码（JSCC）”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：深度神经网络（DNN）为许多边缘应用提供了一流的性能。 PDF p.1
2. 仍然存在的问题：然而，考虑到在大量和多种任务中使用的DNN的日益突出，我们不能期望用户在所有时间都具有可用的所有可能的DNN。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：在本文中，我们介绍了AirNet，这是一系列新颖的方法，允许DNN在严格的发射功率和延迟限制下通过无线信道有效地传输。 PDF p.1
6. 方案为何可能有效：在AirNet中，我们建议直接将DNN参数映射到传输的信道符号，同时在信道约束下训练网络，对信道噪声具有鲁棒性。 PDF p.1
7. 作者希望证明什么：我们进一步提高其性能修剪网络低于可用带宽，并使用带宽扩展的重要网络参数。 PDF p.1

方法与端到端信息流

在本文中，我们介绍了AirNet，这是一系列新的方法，允许DNN在严格的发射功率和延迟约束下在无线信道上有效地传输。在AirNet中，我们建议直接将DNN参数映射到传输的信道符号，同时在信道约束下训练网络，对信道噪声具有鲁棒性。 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：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：AirNet 的主传输单位应归为“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AirNet中，我们建议直接将DNN参数映射到传输的信道符号，同时在信道约束下训练网络，对信道噪声具有鲁棒性。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.1

语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。 PDF p.1

实验设置与主要结论

数据集为ImageNet、Tiny ImageNet；实验小节中明确出现的比较对象包括ResNet；指标包括accuracy、PER；信道/链路条件包括AWGN、fading channel、wireless channel；正文可定位的代表性工作点有SNR of 20dB、SNR of 5dB、SNR of 30dB。 PDF p.9

我们进一步提高其性能修剪网络低于可用带宽，并使用带宽扩展的重要网络参数。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：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。

一句话主旨：Analysis on Peak Age of Status Updates in Task-Oriented Machine- Type Communications 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：6G无线通信系统的范围预计将扩展到向人类提供数据之外，并连接不断上传计算密集型状态更新以获得实时态势感知的机器。 PDF p.1
2. 仍然存在的问题：然而，传统的网络设计原则侧重于如何尽可能快地可靠地传输整个数据流，而不管传输的数据是否对后续的感知任务有用。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：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，我们开发了一个分析框架，调查的时间价值的状态更新，在信息的峰值年龄。 PDF p.1
6. 方案为何可能有效：基于理论分析，我们制定了一个优化问题，同时最大限度地减少年龄的状态更新和能源消耗的多个设备。 PDF p.1
7. 作者希望证明什么：如图所示，我们提出的解决方案在不同权重下始终优于其他方案。 PDF p.10

方法与端到端信息流

在本文中，我们开发了一个分析框架，调查的时间价值的状态更新，在信息的峰值年龄的理论分析的基础上，我们制定了一个优化问题，同时最小化状态更新的年龄和能源消耗的多个设备。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Analysis on Peak Age of Status Updates in Task-Oriented Machine- Type Communications 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

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

实验设置与主要结论

指标包括accuracy、energy efficiency；信道/链路条件包括Rayleigh、fading channel。 PDF p.10

如图所示，我们提出的解决方案在不同权重下始终优于其他方案。 PDF p.10

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。

一句话主旨：AIM 面向任务导向推理，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在面向任务的物联网应用中，信息年龄（AoI）是衡量信息新鲜度的关键性能指标。 PDF p.1
2. 仍然存在的问题：然而，即使使用多播传输，由于分配的正交信道的有限数量，5G OMA网络也不足以同时支持大量UE（即，每千米一百万个设备）。 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：为了平衡小区间干扰和组播组大小，提出了一种新的AoI感知的小区间干扰抑制（AIM）方案，该方案动态调整组播组大小、调度组播组进行传输以及为组播组分配发射功率。 PDF p.1
6. 方案为何可能有效：我们制定的问题作为一个多目标非凸优化问题。 PDF p.3
7. 作者希望证明什么：通过将分组问题建模为一个多臂强盗问题，并使用ε-贪婪算法求解，我们还证明了我们的AoI感知分组方案优于随机分组和固定分组，以及基于进化的遗传算法分组。 PDF p.1

方法与端到端信息流

为了平衡小区间干扰和组大小，提出了一种新的AoI感知的小区间干扰抑制（AIM）解决方案，该方案动态调整组播组大小，调度组播组进行传输，并为组播组分配发射功率，将问题表示为多目标非凸优化问题。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：AIM 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

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

实验设置与主要结论

实验小节中明确出现的比较对象包括NOMA；指标包括AoI、PER。 PDF p.10

通过将分组问题建模为一个多臂强盗问题，并使用ε-贪婪算法求解，我们还证明了我们的AoI感知分组方案优于随机分组和固定分组，以及基于进化的遗传算法分组。 PDF p.1

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。

一句话主旨：CDDM 面向图像传输、压缩或生成，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“有限星座/标准数字波形接口”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：扩散模型（Diffusion models，DM）能够逐渐学习去除噪声，近年来在人工智能生成内容（AI GC）中得到了广泛的应用。 PDF p.1
2. 仍然存在的问题：DM的抗噪声特性使我们想知道DM是否可以应用到无线通信中，帮助接收机抑制信道噪声。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：针对这一问题，本文提出了一种基于信道去噪扩散模型（CDDM）的无线信道语义通信方法。 PDF p.1
6. 方案为何可能有效：基于此，本文设计了通信系统的信道去噪扩散模型（CDDM），以去除信道噪声，净化接收信号。 PDF p.2
7. 作者希望证明什么：实验结果表明，CDDM算法在最小均方误差（MMSE）均衡后能进一步降低均方误差（MSE），联合CDDM和JSCC的系统在不同场景下的性能优于JSCC系统、传统的采用低密度奇偶校验（LDPC）编码的JPEG 2000以及其他基准测试系统。 PDF p.1

方法与端到端信息流

为了解决这个问题，本文提出了用于无线信道语义通信的信道去噪扩散模型（CDDM），受此启发，本文设计了用于通信系统的信道去噪扩散模型（CDDM），以去除信道噪声并净化接收信号。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“有限星座/标准数字波形接口”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：CDDM 的主传输单位应归为“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

结果从DIV 2K数据集获得，信道带宽比（CBR）设置为3/128。 PDF p.9

换算边界：全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

在这里，我们考虑DVB-T2 LDPC码的块长度为64800位的不同的编码率和正交幅度调制（QAM）适应于信道条件。 本调研据此归为“类别 2：语义特征映射为调制符号或编码包”。 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.9

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JPEG2000、LDPC、GAN、Transformer、QAM、JPEG、JSCC；指标包括PSNR、accuracy、SSIM、MSE；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= 5 dB、SNR= 15 dB、SNR= 20 dB、SNR= 10 dB、SNR of 10 dB、SNR of 20 dB。 PDF p.10

实验结果表明，CDDM算法在最小均方误差（MMSE）均衡后能进一步降低均方误差（MSE），联合CDDM和JSCC的系统在不同场景下的性能优于JSCC系统、传统的采用低密度奇偶校验（LDPC）编码的JPEG 2000以及其他基准测试系统。 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。

一句话主旨：Compression Before Fusion 面向任务导向推理，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，基于神经网络的语义通信系统得到了广泛的发展，其中大部分系统都采用了联合信源信道编码（Joint Source and Channel Coding，JSCC）的核心框架。 PDF p.1
2. 仍然存在的问题：然而，传统的基于信源信道分离编码（SSCC）方案的通信系统很少工作在理论上的最优状态，从而难以提供极高的数据速率来满足要求。 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：特别地，我们针对压缩和融合分别提出了多个任务信道感知子编码器（TCE）和一个信道感知特征融合子编码器（CFE）。 PDF p.1
6. 方案为何可能有效：本文首先介绍了一个面向多用户广播任务的语义通信系统DeepBroadcast。 PDF p.2
7. 作者希望证明什么：试验结果表明，所提出的DeepBroadcast算法在实时性和检测准确率方面有效得到提高。 PDF p.1

方法与端到端信息流

特别地，我们提出了多个任务信道感知子编码器（TCE）和信道感知特征融合子编码器（CFE），分别用于压缩和融合。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Compression Before Fusion 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

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

实验设置与主要结论

实验小节中明确出现的比较对象包括BPG、JSCC、SSCC、ETC；指标包括PSNR、accuracy、classification accuracy、mIoU、SER；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 = 7dB、SNR from -5dB、SNR from -10dB。 PDF p.10

试验结果表明，所提出的DeepBroadcast算法在实时性和检测准确率方面有效得到提高。 PDF p.1

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。

一句话主旨：ViT 面向图像传输、压缩或生成，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：我们介绍了一种基于视觉Transformer（ViT）的深度联合源和信道编码（DeepJSCC）方案，用于多输入多输出（MIMO）信道上的无线图像传输，称为DeepJSCC-MIMO。 PDF p.1
2. 仍然存在的问题：然而，基于分离的方法在实际的有限块长度制度中是次优的，这在涉及物联网和边缘智能的新兴应用中变得越来越重要。 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：我们介绍了一种基于视觉Transformer（ViT）的深度联合源和信道编码（DeepJSCC）方案，用于多输入多输出（MIMO）信道上的无线图像传输，称为DeepJSCC-MIMO。 PDF p.1
6. 方案为何可能有效：具体来说，通过利用ViT的自注意机制，DeepJSCC-MIMO智能地学习根据源图像的独特特征和主要信道条件定制的特征映射和功率分配策略。 PDF p.1
7. 作者希望证明什么：大量的数值实验验证了DeepJSCC-MIMO在各种场景下对开环和闭环MIMO系统的失真质量和感知质量的显著改善。 PDF p.1

方法与端到端信息流

本文提出了一种基于视觉Transformer（ViT）的深度联合信源信道编码（DeepJSCC）方案，用于多输入多输出（MIMO）信道上的无线图像传输，称为DeepJSCC-MIMO。 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：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：ViT 的主传输单位应归为“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

最后两列展示了通过DeepJSCC-MIMO-universal和DeepJSCC-MIMO方案恢复的补丁。DeepJSCC-MIMO-universal的模型，在不同的带宽比中没有基于SVD分解的预编码，表示为DeepJSCC-MIMO-universal w/o SVD。 PDF p.12

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

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.10

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

实验设置与主要结论

数据集为ImageNet、CelebA、Kodak；实验小节中明确出现的比较对象包括DeepJSCC、JPEG2000、BPG、LDPC、Turbo、ViT、Transformer、JPEG、JSCC、OFDM、VTM；指标包括PSNR、LPIPS、mAP；信道/链路条件包括MIMO、OFDM、fading channel；正文可定位的代表性工作点有SNR 1dB、SNR=5 dB、SNR 5 dB、SNR=12 dB、SNR of 1.07 dB。 PDF p.10

大量的数值实验验证了DeepJSCC-MIMO在各种场景下对开环和闭环MIMO系统的失真质量和感知质量的显著改善。 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”：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。

一句话主旨：Deep Learning-Empowered Semantic Communication Systems With a Shared Knowledge Base 面向文本传输或语言任务，把问题放在“联合信源信道编码（JSCC）”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：支持深度学习的语义通信被认为是未来6G网络的一种很有前途的候选网络。 PDF p.1
2. 仍然存在的问题：虽然现有的语义通信系统已经取得了上级传统方法的性能，但大多数语义通信系统采用的端到端架构被视为一个黑盒子，缺乏可解释性。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：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：虽然现有的语义通信系统已经取得了上级传统方法的性能，但大多数语义通信系统采用的端到端架构被视为一个黑盒子，缺乏可解释性。 PDF p.1
6. 方案为何可能有效：具体地说，我们在系统中引入了一个由固有可读句子构成的文本知识库。 PDF p.1
7. 作者希望证明什么：仿真结果表明，该方法在传输数据量和句子相似度方面均优于现有的基线方法。 PDF p.1

方法与端到端信息流

虽然现有的语义通信系统已经取得了更优的性能相比，传统的方法，大多数语义通信系统所采用的端到端的架构被认为是一个黑盒子，导致缺乏可解释性。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Deep Learning-Empowered Semantic Communication Systems With a Shared Knowledge Base 的主传输单位应归为“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

另一方面，由于对噪声方差的估计不准确，其在瑞利信道中的性能相对较差。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.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.11

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepSC、LDPC、Polar、Transformer、QAM、Reed-Solomon；指标包括BLEU、semantic similarity、BER、SER、PER；信道/链路条件包括AWGN、Rayleigh、Rician；正文可定位的代表性工作点有SNR = 3 dB。 PDF p.9

仿真结果表明，该方法在传输数据量和句子相似度方面均优于现有的基线方法。 PDF p.1

通信价值、局限与 Codex 判断

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

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

一句话主旨：Features Disentangled Semantic Broadcast Communication Networks 面向图像传输、压缩或生成，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“数字压缩 bitstream 或量化 feature；无线接口未纳入研究”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：单用户语义通信近年来得到了广泛的研究，但多用户语义广播通信（BC）仍处于起步阶段。 PDF p.1
2. 仍然存在的问题：语义通信中的关键挑战是如何准确地提取任务相关信息并有效地将其传递到目的地。 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：本文提出了一种实用的鲁棒性特征去纠缠多用户语义BC框架，其中发送方包含一个特征选择模块，每个用户包含一个特征完成模块。 PDF p.1
6. 方案为何可能有效：此外，为了实现所提出的语义BC框架，我们设计了一个轻量级的、鲁棒的语义BC网络，该网络利用一个有监督的自动编码器（AE），能够可控地分离语义特征。 PDF p.1
7. 作者希望证明什么：仿真和实验结果表明，所提出的鲁棒语义BC网络可以显着提高传输效率。 PDF p.1

方法与端到端信息流

本文提出了一种实用的鲁棒特征分离的多用户语义BC框架，其中发送端包括一个特征选择模块，每个用户都有一个特征完成模块，并利用一个有监督的自动编码器（AE）设计了一个轻量级的鲁棒语义BC网络来实现该框架。 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：数字压缩 bitstream 或量化 feature；无线接口未纳入研究

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“数字压缩 bitstream 或量化 feature；无线接口未纳入研究”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Features Disentangled Semantic Broadcast Communication Networks 的主传输单位应归为“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.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 1：数字压缩后默认可靠传输/存储

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 1：数字压缩后默认可靠传输/存储”解释信道作用点。 本调研据此归为“类别 1：数字压缩后默认可靠传输/存储”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：无误码 bitstream 解码后的 latent/图像/特征。 PDF p.2 PDF p.9

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepJSCC、BPG、JSCC、OFDM；指标包括PSNR、accuracy、semantic similarity；信道/链路条件包括Rayleigh、OFDM、fading channel。 PDF p.9

仿真和实验结果表明，所提出的鲁棒语义BC网络可以显着提高传输效率。 PDF p.1

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。

一句话主旨：GSRC 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：第五代（5G）移动的通信网络的超可靠和低延迟通信（URLLC）服务努力支持安全的机器人操作。 PDF p.1
2. 仍然存在的问题：然而，目前的5G/6G研究主要集中在提高通信性能，而机器人社区大多认为通信是理想的。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：为了共同考虑通信和机器人控制的重点是特定的机器人任务，我们提出了面向目标的语义通信机器人控制（GSRC），利用数据的上下文及其在实现任务的重要性在发送器和接收端。 PDF p.1
6. 方案为何可能有效：在接收端，我们设计了基于信息价值（VoI）和信息年龄（AoI）的队列排序机制（VA-QOM），根据从AoI和VoI中提取的语义信息对队列进行排序。 PDF p.1
7. 作者希望证明什么：仿真结果验证了我们提出的GSRC框架实现了91.5%的改善相比，传统的无人机控制框架的均方误差。 PDF p.1

方法与端到端信息流

为了共同考虑通信和机器人控制，重点关注特定的机器人任务，我们提出了面向目标的机器人控制语义通信（GSRC），以利用数据的上下文及其在发送器和接收端处实现任务的重要性。在接收端处，设计了基于信息价值（VoI）和信息年龄（AoI）的队列排序机制（VA-QOM）基于从AoI和VoI提取的语义信息对队列进行排序。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：GSRC 的主传输单位应归为“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.8

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

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.8

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

实验设置与主要结论

实验小节中明确出现的比较对象包括DQN、ETC；指标包括AoI、latency、MSE、PER；信道/链路条件包括packet loss、wireless channel。 PDF p.8

仿真结果验证了我们提出的GSRC框架实现了91.5%的改善相比，传统的无人机控制框架的均方误差。 PDF p.1

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。

一句话主旨：CPSs 面向任务导向推理，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：无线边缘的新型工业应用（如智能电网和车辆网络）的激增要求网络物理系统（CPS）的进步。 PDF p.1
2. 仍然存在的问题：CPS的性能与最后一英里无线通信网络密切相关，由于其固有的有限资源，这往往成为瓶颈。 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：在这项研究中，我们介绍了面向目标的无线通信资源分配的框架，占CPS运营目标的语义和意义的数据。 PDF p.1
6. 方案为何可能有效：随后，带宽分配问题转化为一个背包问题，它可以进一步解决保证次最优间隙greenerity。 PDF p.1
7. 作者希望证明什么：首先将信息效用增益近似分解为边际效用信息增益，并以并行方式计算。 PDF p.1

方法与端到端信息流

在本研究中，我们引入了面向目标的无线通信资源分配框架，考虑了CPS运营目标数据的语义和重要性，随后将带宽分配问题转化为背包问题，并在保证次优间隙的情况下进一步求解。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：CPSs 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.10

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

实验设置与主要结论

数据集为MNIST；指标包括accuracy、latency、utility、throughput、PER；信道/链路条件包括Rayleigh。 PDF p.10

首先将信息效用增益近似分解为边际效用信息增益，并以并行方式计算。 PDF p.1

通信价值、局限与 Codex 判断

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

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

一句话主旨：Hybrid Semantic-Shannon Communications 面向文本传输或语言任务，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信被认为是一个有前途的超越香农范式，以减少网络流量和增加可靠性，从而使无线网络更节能，鲁棒和可持续发展。 PDF p.1
2. 仍然存在的问题：然而，性能受限于语义收发器的效率，即，所发送的信号和所接收的信号之间可实现的“相似性”。 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：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，联合语义香农传输选择和功率分配的优化问题，制定，旨在最大限度地减少两个传输延迟度量广泛使用的文献中，严格的相似性阈值。 PDF p.1
6. 方案为何可能有效：为此，联合语义香农传输选择和功率分配的优化问题，制定，旨在最大限度地减少两个传输延迟度量广泛使用的文献中，严格的相似性阈值。 PDF p.1
7. 作者希望证明什么：数值仿真验证了所提出的混合语义-香农通信方案的有效性和派生的子载波到子载波关联，并提供了有用的见解，这种系统的设计参数。 PDF p.1

方法与端到端信息流

为此，提出了一种基于语义-Shannon混合通信机制的传输选择和功率分配联合优化问题，目标是在严格的相似性阈值下，最小化文献中广泛使用的两个传输时延度量。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Hybrid Semantic-Shannon Communications 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.9

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

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepSC、DeepJSCC、QAM、NOMA、JSCC、OFDM、HM；指标包括latency、BER、PER；信道/链路条件包括Rayleigh、OFDM、fading channel。 PDF p.9

数值仿真验证了所提出的混合语义-香农通信方案的有效性和派生的子载波到子载波关联，并提供了有用的见解，这种系统的设计参数。 PDF p.1

通信价值、局限与 Codex 判断

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

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

一句话主旨：IS-SNOMA 面向图像传输、压缩或生成，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：为此，本文提出了一种新的用于语义感知通信网络中下行图像传输的干扰抑制语义感知非正交多址接入（IS-SNOMA）框架。 PDF p.1
2. 仍然存在的问题：爆炸性的连接、数据量和日益严格的需求，使第六代（6G）通信系统在高效、智能通信方面面临着巨大的挑战。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为此，本文提出了一种新的用于语义感知通信网络中下行图像传输的干扰抑制语义感知非正交多址接入（IS-SNOMA）框架。 PDF p.1
6. 方案为何可能有效：在所提出的下行链路NOMA框架中，两个用户的符号与NOMA耦合传输，并通过首先使用传统的SIC方案去除比特来解耦。 PDF p.2
7. 作者希望证明什么：仿真结果表明：同OMA和NOMA辅助的传输基准测试相比，提出的框架在提高SU和BU的通信效率方面具有优势。 PDF p.1

方法与端到端信息流

本文提出了一种新的用于语义感知通信网络下行图像传输的干扰抑制语义感知非正交多址接入（IS-SNOMA）框架，在该框架中，两个用户的符号通过NOMA耦合传输，并通过传统的SIC方案先去除比特进行解耦合。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：IS-SNOMA 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“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Cityscapes；实验小节中明确出现的比较对象包括DeepJSCC、NOMA、JSCC；指标包括PSNR、SSIM、MS-SSIM、mAP、accuracy、spectral efficiency、BER、PER；信道/链路条件包括AWGN、Rician、wireless channel。 PDF p.3

仿真结果表明：同OMA和NOMA辅助的传输基准测试相比，提出的框架在提高SU和BU的通信效率方面具有优势。 PDF p.1

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。

一句话主旨：URLLC 面向语义感知资源分配与网络优化，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，基于深度学习的语义通信系统在提高各种任务的传输效率方面表现出了巨大的潜力。 PDF p.1
2. 仍然存在的问题：然而，语义通信与其他服务之间的共存机制尚未得到充分的研究，这限制了语义通信在实际通信系统中的应用。 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：针对语义和超可靠低延迟通信（URLLC）业务共存的系统，提出了一种动态复用和协同调度方案。 PDF p.1
6. 方案为何可能有效：特别地，提出了一个资源分配和模型训练的联合问题，该问题的目标是在满足URLLC业务延迟要求的同时最大化语义服务的效用。 PDF p.1
7. 作者希望证明什么：仿真实验结果表明，该算法可在满足URLLC业务时延要求的同时，有效地提高语义服务质量。 PDF p.1

方法与端到端信息流

针对语义和超可靠低延迟通信（URLLC）业务共存的系统，提出了一种动态复用和协同调度方案，特别是建立了一个联合资源分配和模型训练问题，其目标是在满足URLLC业务延迟要求的同时，最大化语义服务的效用。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：URLLC 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“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

数据集为CIFAR-10；实验小节中明确出现的比较对象包括Transformer；指标包括PSNR、accuracy、MSE。 PDF p.8

仿真实验结果表明，该算法可在满足URLLC业务时延要求的同时，有效地提高语义服务质量。 PDF p.1

通信价值、局限与 Codex 判断

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

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

一句话主旨：SemCom 面向通用语义通信系统，把问题放在“联合信源信道编码（JSCC）”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：深度学习（DL）在革新传统通信系统方面显示出巨大潜力。 PDF p.1
2. 仍然存在的问题：然而，基于学习的方法可能依赖于训练数据集，并且由于有限的模型泛化能力和复杂性而在不可见干扰上表现较差。 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：为了提高模型的泛化能力和减小模型规模，提出了一种基于知识提炼的系统，其中基于Transformer的编解码器实现为语义编解码器，全连接神经网络实现为信道编解码器。 PDF p.1
6. 方案为何可能有效：具体分析了知识转移和模型压缩的四种类型。 PDF p.1
7. 作者希望证明什么：仿真结果表明，KD算法在非预期干扰下的鲁棒性和泛化能力得到了显著提高，并且在压缩模型规模时降低了性能损失。 PDF p.1

方法与端到端信息流

为了提高模型的泛化能力和减小模型的规模，提出了一种基于知识蒸馏（KD）的系统，该系统采用基于Transformer的编解码器作为语义编解码器，采用全连接神经网络作为信道编解码器，并分析了四种知识传递和模型压缩方式。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SemCom 的主传输单位应归为“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.8

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

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

霍夫曼编码和LDPC：霍夫曼编码需要20比特来表示一个字，我们采用16-QAM调制，LDPC码的码率为5/8。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.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.9

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、LDPC、Transformer、QAM、BERT；指标包括BLEU、mAP、accuracy、BER；信道/链路条件包括Rayleigh、fading channel。 PDF p.8

仿真结果表明，KD算法在非预期干扰下的鲁棒性和泛化能力得到了显著提高，并且在压缩模型规模时降低了性能损失。 PDF p.1

通信价值、局限与 Codex 判断

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

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

一句话主旨：T2D3-RNS 面向语义感知资源分配与网络优化，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：研究了一个多用户异构语义通信（SemCom）和比特通信（BitCom）系统。 PDF p.1
2. 仍然存在的问题：为了应对这些挑战，必须为6G开发新的无线技术。 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：每个用户都可以通过SemCom或BitCom获得语义或比特数据。 PDF p.1
6. 方案为何可能有效：提出了基于节点和基于用户需求的传输协议，分别以最大化长期（等效）语义吞吐量和用户满意度为目标，建立了通信模式选择、频率带宽和功率分配以及NOMA用户配对的联合优化问题。 PDF p.1
7. 作者希望证明什么：仿真结果表明：i）所提出的异构方案优于仅使用SemCom或BitCom的基线; ii）与OMA相比，NOMA与所提出的异构方案更兼容; iii）所提出的算法分别在基于信道和基于用户需求的传输中优于基准。 PDF p.1

方法与端到端信息流

每个用户可以通过SemCom或BitCom服务，要求语义或比特数据。基于节点和基于用户需求的传输协议，其中的通信模式选择，频率带宽和功率分配，NOMA用户配对的联合优化问题，制定最大化的长期（等效）语义吞吐量和用户满意度，分别。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：T2D3-RNS 的主传输单位应归为“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

对于神经网络的参数更新，采用Adam优化器，其中演员和评论家网络的默认学习率（lr）均设置为1 × 10-3。 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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

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

实验设置与主要结论

实验小节中明确出现的比较对象包括NOMA、TD3、HM；指标包括spectral efficiency、semantic similarity、throughput、SER；信道/链路条件包括Rayleigh、wireless channel。 PDF p.9

仿真结果表明：i）所提出的异构方案优于仅使用SemCom或BitCom的基线; ii）与OMA相比，NOMA与所提出的异构方案更兼容; iii）所提出的算法分别在基于信道和基于用户需求的传输中优于基准。 PDF p.1

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。

一句话主旨：MCR2 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在面向任务的通信中，大多数现有的工作设计了物理层通信模块和基于学习的编解码器，具有不同的目标：学习的目标是准确执行特定的任务，而通信的目标是优化传统的通信指标，如吞吐量最大化，延迟最小化，或误码率最小化。 PDF p.1
2. 仍然存在的问题：设计目标之间的不一致可能会阻碍利用面向任务的通信的全部好处。 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：设计目标之间的不一致可能会阻碍利用面向任务的通信的全部好处。 PDF p.1
6. 方案为何可能有效：我们投有价值的见解，这个配方和开发一个块坐标上升（BCA）算法，有效地解决问题。 PDF p.1
7. 作者希望证明什么：我们还在CIFAR-10和ModelNet 10数据集上验证了所提出的设计与具有不一致学习-沟通目标的各种基线相比实现了更好的延迟-准确性权衡。 PDF p.1

方法与端到端信息流

设计目标之间的不一致性可能会阻碍开发面向任务的通信的全部好处，我们投有价值的见解，这制定和开发一个块坐标上升（BCA）算法，有效地解决问题。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：MCR2 的主传输单位应归为“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

每个边缘设备和服务器之间的信道是独立的，并且被建模为Rician衰落，其中Rician因子κ = 1。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.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.11

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mAP、accuracy、classification accuracy、latency、MSE、NMSE、PER；信道/链路条件包括AWGN、Rician、MIMO、wireless channel。 PDF p.9

我们还在CIFAR-10和ModelNet 10数据集上验证了所提出的设计与具有不一致学习-沟通目标的各种基线相比实现了更好的延迟-准确性权衡。 PDF p.1

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。

一句话主旨：NeSy 面向文本传输或语言任务，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信（SC）是一种有效的方法，以最少的数据传输进行可靠的通信，同时提供无缝连接。 PDF p.1
2. 仍然存在的问题：然而，纯粹依赖数据统计的经典AI系统并不适合因果推理。 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：本文提出了一种新的紧急供应链（ESC）框架。 PDF p.1
6. 方案为何可能有效：因此，突现语言不仅创建了一个依赖于通信上下文的高效（以传输的物理位）传输词汇表，而且还通过将复杂的接收消息分解成接收者的更简单的推理任务来帮助推理过程（并使之能够泛化到看不见的场景）。 PDF p.1
7. 作者希望证明什么：仿真结果表明，与传统的无线通信系统和缺乏因果推理能力的SC系统相比，ESC系统能够以更少的比特数有效地进行通信，并获得更优的语义可靠性。 PDF p.1

方法与端到端信息流

本文提出了一种新的紧急SC（ESC）框架，因此，紧急语言不仅创建了一个有效的（在物理位传输）传输词汇依赖于通信上下文，但它也有助于推理过程（并使泛化到看不见的情况下），通过分裂复杂的接收到的消息为接收端简单的推理任务。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：NeSy 的主传输单位应归为“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

在这里，我们使用二进制对称信道（BSC）来表示通信的底层无线信道。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.13

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.13

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Transformer、QAM；指标包括mAP、latency、semantic similarity、utility、NMSE、BER、PER；信道/链路条件包括BSC、binary symmetric channel、wireless channel；正文可定位的代表性工作点有SNR of 20 dB。 PDF p.11

仿真结果表明，与传统的无线通信系统和缺乏因果推理能力的SC系统相比，ESC系统能够以更少的比特数有效地进行通信，并获得更优的语义可靠性。 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。

一句话主旨：ISS 面向图像传输、压缩或生成，把问题放在“语义信息理论与性能度量”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文提出了一种用于图像数据传输的语义通信框架。 PDF p.1
2. 仍然存在的问题：然而，目前的语义通信技术主要是针对文本和图像数据的传输而研究的。 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为此，提出了一种基于值分解的熵最大化多智能体强化学习算法。 PDF p.1
6. 方案为何可能有效：我们将此问题描述为一个优化问题，其目标是在达到ISS要求的同时，最小化每个服务器的平均传输延迟之和。 PDF p.1
7. 作者希望证明什么：仿真实验结果表明，该算法与传统的多智能体RL算法相比，传输时延降低了16.1%，收敛速度提高了100%。; PDF p.1

方法与端到端信息流

针对这一问题，提出了一种基于值分解的熵最大化多智能体强化学习（RL）算法，将该问题转化为一个优化问题，其目标是在满足ISS要求的前提下，最小化每个服务器的平均传输延迟之和。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：ISS 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.8

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

实验设置与主要结论

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

仿真实验结果表明，该算法与传统的多智能体RL算法相比，传输时延降低了16.1%，收敛速度提高了100%。; PDF p.1

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。

一句话主旨：DeepJSCC 面向图像传输、压缩或生成，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：例如，用于文本传输的深度学习语义通信系统（DeepSC）旨在通过恢复句子的含义而不是传统通信中的位或符号错误来最大限度地减少语义错误。 PDF p.1
2. 仍然存在的问题：基于不同语义模型不能理解其他模型生成的语义信息的特点，提出了语义正交信号的概念。 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：基于不同语义模型不能理解其他模型生成的语义信息的特点，提出了语义正交信号的概念。 PDF p.1
6. 方案为何可能有效：在本文中，语义模型具体指的是基于DeepJSCC的语义通信系统中使用的语义编码器和语义解码器。 PDF p.2
7. 作者希望证明什么：实验结果表明，O-MDMA可以与NOMA相结合，节省更多的带宽。 PDF p.1

方法与端到端信息流

基于不同语义模型不能理解其他模型生成的语义信息的特点，本文提出了语义正交信号的概念，语义模型特指基于DeepJSCC的语义通信系统中使用的语义编码器和语义解码器。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：DeepJSCC 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 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、DeepJSCC、NOMA、DeepSC-S、JSCC；指标包括SSIM、MS-SSIM、BLEU；信道/链路条件包括AWGN；正文可定位的代表性工作点有CBR = 0.166、CBR = 0.041。 PDF p.9

实验结果表明，O-MDMA可以与NOMA相结合，节省更多的带宽。 PDF p.1

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。

一句话主旨：SemCom 面向文本传输或语言任务，把问题放在“通信安全与隐私”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：尽管支持深度学习（DL）的语义通信（SemCom）通过最小化不相关的信息传输（最小化功率使用、带宽消耗和传输延迟）而成为6G的推动者，但其益处可能受到导致大量语义噪声的射频干扰（RFI）的限制。 PDF p.1
2. 仍然存在的问题：然而，这些应用程序可能会因相当大的语义噪音而变得无效。 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：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：这种语义噪声的影响可以使用抗干扰和鲁棒（IR 2）SemCom设计来减轻，尽管还没有这样的设计。 PDF p.1
6. 方案为何可能有效：通过引入SemCom的概率框架，我们证明了当（多干扰者）RFI的功率变得非常大时，DeepSC产生语义无关的句子。 PDF p.1
7. 作者希望证明什么：作者感谢编辑和匿名审稿人的批评，这些批评指导了他们以前提交的手稿的改进，以及数字研究。 PDF p.14

方法与端到端信息流

这种语义噪声的影响可以使用抗干扰和鲁棒（IR 2）SemCom设计来减轻，尽管还没有这样的设计存在。通过为SemCom引入一个原则性的概率框架，我们表明，DeepSC产生语义无关的句子（多重）RFI的功率变得非常大。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SemCom 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

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

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepSC；指标包括PER；信道/链路条件包括MIMO。 PDF p.10

作者感谢编辑和匿名审稿人的批评，这些批评指导了他们以前提交的手稿的改进，以及数字研究。 PDF p.14

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。

一句话主旨：IBAL 面向任务导向推理，把问题放在“通信安全与隐私”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信已被确定为第六代（6G）无线网络的核心技术。 PDF p.1
2. 仍然存在的问题：然而，许多预计将在5G/6G系统中得到支持的新兴智能应用，例如增强/虚拟现实（AR/VR）、自动驾驶和环境监控，对这些旨在可靠传输数据的基于DL的通信系统提出了严重的设计挑战。 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：为了减少隐私侵犯，提出了一种信息瓶颈和对抗学习（IBAL）方法来保护用户隐私免受模型反转攻击。 PDF p.1
6. 方案为何可能有效：具体地说，我们基于信息瓶颈（IB）理论从输入中提取任务相关特征。 PDF p.1
7. 作者希望证明什么：仿真实验结果表明，该算法可在不显著影响任务性能的同时有效地保护用户隐私，并取得了较好的隐私-效用平衡。 PDF p.1

方法与端到端信息流

为了减少隐私侵犯，本文提出了一种基于信息瓶颈和对抗性学习（IBAL）的方法来保护用户隐私免受模型反演攻击，具体地说，我们基于信息瓶颈（IB）理论从输入中提取任务相关特征。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：IBAL 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

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

实验设置与主要结论

数据集为CIFAR-10、MNIST、ImageNet；实验小节中明确出现的比较对象包括DeepJSCC、JSCC；指标包括PSNR、SSIM、accuracy、classification accuracy、latency、utility、PER；信道/链路条件包括AWGN、Rayleigh、MIMO、fading channel、wireless channel；正文可定位的代表性工作点有SNR=15dB、SNR = 15dB。 PDF p.10

仿真实验结果表明，该算法可在不显著影响任务性能的同时有效地保护用户隐私，并取得了较好的隐私-效用平衡。 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。

一句话主旨：QoE 面向语义感知资源分配与网络优化，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：通过仅传输与任务相关的信息，语义通信相对于传统通信产生了显著的性能增益。 PDF p.1
2. 仍然存在的问题：然而，由于缺乏成熟的语义信息量化和性能评估的语义理论，使得语义通信的资源分配具有挑战性，尤其是在网络中多任务共存的情况下。 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：为了科普这一挑战，提出了一种基于体验质量（QoE）的语义感知的多任务网络资源分配方法。 PDF p.1
6. 方案为何可能有效：在此基础上，提出了一种新的QoE模型，从语义压缩、信道分配和发射功率三个方面来描述语义感知的资源分配。 PDF p.1
7. 作者希望证明什么：通过仅传输与任务相关的信息，语义通信相对于传统通信产生了显著的性能增益。 PDF p.1

方法与端到端信息流

为了科普这一挑战，本文提出了一种基于体验质量（QoE）的多任务网络语义感知资源分配方法，并提出了一种新的QoE模型，从语义压缩、信道分配和发射功率三个方面来描述语义感知资源分配。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：QoE 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.9

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

实验设置与主要结论

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

通过仅传输与任务相关的信息，语义通信相对于传统通信产生了显著的性能增益。 PDF p.1

通信价值、局限与 Codex 判断

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

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

一句话主旨：Reasoning Over the Air 面向通用语义通信系统，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“显式数字语义表示：bit、离散 token 或码本 index”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义感知交际是一种新的交际范式，它从人类交际中汲取灵感，注重传递信息的意义。 PDF p.1
2. 仍然存在的问题：本文研究了隐式语义感知通信，其中隐藏的信息，如隐藏的关系，概念和用户的隐式推理机制，不能直接观察到的源信号，必须识别和解释的预期用户。 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：为此，提出了一种新的隐式语义感知通信（iSAC）体系结构，用于表示，通信和解释源和目的地用户之间的隐式语义含义。 PDF p.1
6. 方案为何可能有效：然后提出了一种基于投影的语义编码器，将显式语义的高维图形表示转换为低维语义星座空间，以实现高效的物理信道传输。 PDF p.1
7. 作者希望证明什么：数值结果表明，所提出的解决方案实现了高达92%的准确性隐含意义的解释。 PDF p.1

方法与端到端信息流

为此，提出了一种新的隐式语义感知通信（iSAC）体系结构，用于表示、传递和解释源用户和目的用户之间的隐式语义，并提出了一种基于投影的语义编码器，用于将显式语义的高维图形表示转换为低维语义星座空间，以实现高效的物理信道传输。 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：显式数字语义表示：bit、离散 token 或码本 index

然后提出了一种基于投影的语义编码器，将显式语义的高维图形表示转换为低维语义星座空间，以实现高效的物理信道传输。 独立判断：Reasoning Over the Air 的主传输单位应归为“显式数字语义表示：bit、离散 token 或码本 index”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1

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

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

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：数字语义变量接入调制、信道编码或 OFDM 链路

在（a）AWGN信道和（B）Rayleigh衰落信道（SNR= 7 dB）中传输的不同维数的语义星座图下的语义恢复精度。 本调研据此归为“类别 2：数字语义变量接入调制、信道编码或 OFDM 链路”。 PDF p.13

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.13

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、Transformer、JSCC、ETC；指标包括mAP、accuracy；信道/链路条件包括AWGN、Rayleigh、fading channel；正文可定位的代表性工作点有SNR=4 dB、SNR=7dB、SNR=0 dB。 PDF p.10

数值结果表明，所提出的解决方案实现了高达92%的准确性隐含意义的解释。 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”：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。

一句话主旨：SIT 面向任务导向推理，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：通过无线通信的图像传输可以用于各种应用，例如智能城市，监控系统和Metaverse建筑。 PDF p.1
2. 仍然存在的问题：然而，当大量用户试图通过无线通信网络同时传输高分辨率图像时，可能导致拥塞，这可能导致网络性能下降和图像传输延迟。 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，我们提出了一个面向任务的语义信息传输（SIT）框架与速率分裂多址（RSMA）的图像传输。 PDF p.1
6. 方案为何可能有效：具体来说，我们首先优化功率分配的top-Ncommon消息选择策略。 PDF p.1
7. 作者希望证明什么：仿真结果表明，优化功率分配比固定功率分配能显著提高系统性能，而功率分配和公共消息选择的联合优化比仅优化功率分配有明显的性能提升，验证了所设计的优化算法的有效性。 PDF p.1

方法与端到端信息流

本文提出了一种基于速率分割多址接入（RSMA）的面向任务的语义信息传输（SIT）框架，首先采用top-Ncommon消息选择策略优化功率分配。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SIT 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.9

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

实验设置与主要结论

实验小节中明确出现的比较对象包括Transformer、NOMA、RSMA、PPO、OFDM、YOLO；指标包括energy efficiency、BER；信道/链路条件包括MIMO、OFDM、fading channel。 PDF p.9

仿真结果表明，优化功率分配比固定功率分配能显著提高系统性能，而功率分配和公共消息选择的联合优化比仅优化功率分配有明显的性能提升，验证了所设计的优化算法的有效性。 PDF p.1

通信价值、局限与 Codex 判断

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

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

一句话主旨：MAPPO 面向语义感知资源分配与网络优化，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：用户设备的有限能力限制了计算密集型应用的本地实现。 PDF p.1
2. 仍然存在的问题：然而，有限的上行信道带宽可能会增加任务传输延迟，影响计算卸载性能。 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：为了克服无线通信资源稀缺带来的挑战，我们提出了一个语义感知的多模式任务卸载系统，便于提取和卸载语义任务信息的边缘服务器。 PDF p.1
6. 方案为何可能有效：本文提出了一个语义感知的多任务卸载系统。 PDF p.2
7. 作者希望证明什么：仿真结果验证了所提出的MAPPO算法优于其他强化学习算法和固定方案的任务执行速度和整体系统的QoE。 PDF p.1

方法与端到端信息流

系统先从多模态任务中提取可卸载的语义信息，再联合决定任务卸载、带宽/功率和边缘计算资源；MAPPO 用于在多用户耦合约束下学习分布式资源策略。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：MAPPO 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“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DeepSC、Transformer、DQN、CLIP；指标包括accuracy、latency、PER；信道/链路条件包括wireless channel。 PDF p.8

仿真结果验证了所提出的MAPPO算法优于其他强化学习算法和固定方案的任务执行速度和整体系统的QoE。 PDF p.1

通信价值、局限与 Codex 判断

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

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

一句话主旨：LCFSC 面向图像传输、压缩或生成，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：现有的语义通信框架虽然在各种场景下取得了令人瞩目的进展，但主要考虑单输入单输出高斯信道或瑞利衰落信道，而忽略了广泛应用的多输入多输出（MIMO）信道，这阻碍了其在实际系统中的应用。 PDF p.1
2. 仍然存在的问题：尽管基于JSCC的语义通信框架在多模式媒体传输方面取得了巨大进展，但它们主要集中在单输入单输出加性白色高斯噪声（AWGN）信道或稳定的Rayleigh衰落信道上，存在很大的局限性A 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：为了避免CSI与特征的突然组合导致的特征融合，我们在Swin Transformer内部提出了一种非侵入性CSI融合多头注意模块。 PDF p.1
6. 方案为何可能有效：在本文中，我们将MIMO CSI从一个新的角度到系统设计，并提出了可学习的CSI融合语义通信（LCFSC）框架，其中CSI被视为边信息的语义提取器，以提高语义编码。 PDF p.1
7. 作者希望证明什么：以这种方式，CSI感知的语义编码通过可学习的CSI融合掩蔽来实现。 PDF p.1

方法与端到端信息流

为了避免CSI与特征的突然组合导致的特征融合，本文在Swin Transformer内部提出了一种非侵入式CSI融合多头注意模块，从一个新的角度将MIMO CSI引入系统设计，提出了可学习CSI融合语义通信（LCFSC）框架，其中CSI被语义提取器视为边信息，以增强语义编码。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：LCFSC 的主传输单位应归为“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

以这种方式，CL信道带宽比（CBR）被定义为R = H×W ×3。 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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

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

实验设置与主要结论

实验小节中明确出现的比较对象包括NTSCC、WITT、JPEG、BPG、LDPC、Transformer、QAM、ADJSCC、JSCC、SSCC；指标包括PSNR、SSIM、MS-SSIM、mAP、accuracy、MSE、throughput、PER；信道/链路条件包括Rayleigh、MIMO、fading channel、wireless channel；正文可定位的代表性工作点有SNR = 8 dB。 PDF p.10

以这种方式，CSI感知的语义编码通过可学习的CSI融合掩蔽来实现。 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。

一句话主旨：MSE 面向图像传输、压缩或生成，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着边缘人工智能（AI）的最新进展，未来的第六代（6G）网络需要支持新的AI任务，如分类和聚类，以及数据恢复。 PDF p.1
2. 仍然存在的问题：然而，大多数现有的工作集中在数据恢复或AI任务执行的一个任务的深度JSCC设计独立，不能转移到其他非预期的任务。 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：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：首先，我们提出了一个新的端到端的深度JSCC框架，通过统一的编码率降低最大化和均方误差（MSE）最小化的损失函数。 PDF p.1
6. 方案为何可能有效：通过上述分析，现有工作中提出的深度JSCC框架专门设计用于处理一个任务（数据恢复或AI任务执行）。 PDF p.2
7. 作者希望证明什么：结果表明，我们提出的设计同时提供有效的多任务服务，和建议门控深度JSCC框架有效地减少了通信开销，只有边际性能损失。 PDF p.1

方法与端到端信息流

首先，我们提出了一个新的端到端的深度JSCC框架，通过统一的编码率降低最大化和均方误差（MSE）最小化的损失函数。通过上述分析，在现有的工作中提出的深度JSCC框架专门设计用于处理只有一个任务（数据恢复或AI任务执行）。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：MSE 的主传输单位应归为“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

具体来说，我们首先在整个网络结构中不集成无线信道的情况下训练深度JSCC框架，然后在无线传输下测试获得的编码器和解码器（即在块衰落信道下传输获得的编码器的提取特征，每个时隙分别具有AWGN，Rayleigh衰落或Rician衰落）。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.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.10

实验设置与主要结论

数据集为CIFAR-10、ImageNet、MNIST；实验小节中明确出现的比较对象包括BPG、Transformer、JSCC、SSCC、ResNet；指标包括PSNR、SSIM、accuracy、classification accuracy、MSE、PER；信道/链路条件包括AWGN、Rayleigh、Rician、fading channel、wireless channel、block fading；正文可定位的代表性工作点有SNR of 21 dB、SNR of -3 dB。 PDF p.10

结果表明，我们提出的设计同时提供有效的多任务服务，和建议门控深度JSCC框架有效地减少了通信开销，只有边际性能损失。 PDF p.1

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。

一句话主旨：SFDMA 面向图像传输、压缩或生成，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“显式数字语义表示：bit、离散 token 或码本 index”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着用户密度和服务质量（QoS）需求的不断提高，频谱资源有限的5G网络正面临着海量接入挑战。 PDF p.1
2. 仍然存在的问题：但是，SIC的复杂度相对较高，接收机的设计具有挑战性。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：针对这些问题，提出了一种新的基于离散语义特征划分的多址接入（SFDMA）多用户数字干扰网络模型。 PDF p.1
6. 方案为何可能有效：具体而言，通过利用深度学习技术，SFDMA将多用户语义信息提取为可区分的语义子空间中的离散表示，这使得多个用户能够在相同的时频资源上同时进行传输。 PDF p.1
7. 作者希望证明什么：仿真结果验证了所提算法的有效性和优越性。 PDF p.1

方法与端到端信息流

针对这些挑战，本文提出了一种新的多用户数字干扰网络离散语义特征分割多址接入（SFDMA）方案，即利用深度学习技术，将多用户语义信息提取到可区分语义子空间的离散表示中，使多个用户能够在相同的时频资源上同时传输。 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：显式数字语义表示：bit、离散 token 或码本 index

更具体地说，连续特征表示的直接传输需要模拟调制或全分辨率星座，这给资源受限的射频系统带来了巨大的负担。 独立判断：SFDMA 的主传输单位应归为“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.2

此外，fθ2（y2）表示RX 2对接收信号y2进行解码，对应的分类准确率为92.19%，fθ2（g2，1 x1）表示RX 2对来自TX 1的接收干扰x1进行解码，对应的分类准确率为10.01%，这也验证了语义特征x1和x2之间的近似正交性。 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 1：形成数字表示，但物理链路按可靠 bitstream 抽象

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释信道作用点。 本调研据此归为“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.9

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.9

实验设置与主要结论

数据集为MNIST、CelebA；实验小节中明确出现的比较对象包括WITT、VQ-VAE、VAE、Transformer、NOMA、JSCC、BERT；指标包括PSNR、SSIM、MS-SSIM、accuracy、classification accuracy、MSE；信道/链路条件包括Rayleigh、fading channel；正文可定位的代表性工作点有SNR = 5dB、SNR=5dB。 PDF p.9

仿真结果验证了所提算法的有效性和优越性。 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”：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。

一句话主旨：Semantic Feature Scheduling and Rate Control in Multi-Modal Distributed Network 面向多模态检索与任务通信，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：虽然上述语义通信系统已经在特定场景中展示了令人满意的性能，但是它们限于处理单一模态的数据。 PDF p.1
2. 仍然存在的问题：然而，在多模态语义通信系统中，不同模态之间的语义特征对于任务执行的重要性存在冗余和差异。 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：针对这一问题，提出了一种新的语义通信系统中的特征调度和差错概率控制方案，以平衡信道多样性和语义多样性。 PDF p.1
6. 方案为何可能有效：具体地说，我们首先引入了语义特征重要性度量来衡量每个特征对语义任务推理性能的贡献。 PDF p.1
7. 作者希望证明什么：此外，与传统方法相比，所提出的方案显著降低了系统延迟。 PDF p.1

方法与端到端信息流

针对这一问题，本文提出了一种新的语义通信系统中的特征调度和错误概率控制方案，该方案能够平衡语义通信系统中的信道多样性和语义多样性，并引入了一个语义特征重要性度量来衡量每个特征对语义任务推理性能的贡献。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Semantic Feature Scheduling and Rate Control in Multi-Modal Distributed Network 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“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

实验小节中明确出现的比较对象包括DeepJSCC、LDPC、VQ-VAE、VAE、Transformer、NOMA、JSCC、OFDM、BERT、ETC；指标包括accuracy、latency、spectral efficiency、BER；信道/链路条件包括AWGN、Rayleigh、MIMO、OFDM、wireless channel。 PDF p.10

此外，与传统方法相比，所提出的方案显著降低了系统延迟。 PDF p.1

通信价值、局限与 Codex 判断

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

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

一句话主旨：SKB 面向图像传输、压缩或生成，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：针对这一问题，提出了一个支持轻量级语义知识库（SKB）的多层次特征提取器，该提取器将图像投影到视觉、语义和中间特征空间。 PDF p.1
2. 仍然存在的问题：然而，该优化问题是一个多选择背包问题，其最优解具有挑战性。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：针对这一问题，提出了一个支持轻量级语义知识库（SKB）的多层次特征提取器，该提取器将图像投影到视觉、语义和中间特征空间。 PDF p.1
6. 方案为何可能有效：通过刻画每个层次的语义损失和所需传输时延，提出了一个在传输时延约束下最小化语义损失的多级特征传输优化问题。 PDF p.1
7. 作者希望证明什么：仿真结果表明，所提设计优于基准测试，并能深入了解两端的SKB对性能的影响，以及传输时延和零炮分类精度之间的权衡。 PDF p.1

方法与端到端信息流

针对这一问题，提出了一种基于轻量级语义知识库（SKB）的多层次特征提取器，将图像映射到视觉、语义和中间特征空间，描述了各层次的语义损失和所需传输延迟，并在传输延迟约束下建立了多层次特征传输优化问题，以最小化语义损失。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SKB 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.9

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

实验设置与主要结论

实验小节中明确出现的比较对象包括ETC；指标包括accuracy、classification accuracy、latency。 PDF p.9

仿真结果表明，所提设计优于基准测试，并能深入了解两端的SKB对性能的影响，以及传输时延和零炮分类精度之间的权衡。 PDF p.1

通信价值、局限与 Codex 判断

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

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

一句话主旨：SAC-ST 面向语音/音频传输或识别，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：此外，我们还在SAC-ST的基础上扩展了一个基于神经网络的信道估计网络，以减少对精确信道状态信息的依赖，并验证了SAC-ST在实际通信环境中的可行性。 PDF p.1
2. 仍然存在的问题：然而，由于缺乏统一的理论来表示不同来源的语义，缺乏一个数学公式来量化语义信息，语义通信的研究经历了几十年的停滞。 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：针对单用户多输入多输出（MIMO）和多用户多输入多输出（MIMO）通信场景，提出了一种基于语义感知的语音到文本传输系统SAC-ST。 PDF p.1
6. 方案为何可能有效：具体地说，首先设计了一个语义通信系统，用于在接收端完成语音到文本的转换任务，该系统利用Transformer模块对语义信息进行压缩并生成低维语义特征。 PDF p.1
7. 作者希望证明什么：仿真结果表明，SAC-ST在语音到文本的性能上优于不使用语义感知网络的MIMO语音到文本的通信框架，尤其是在低信噪比的情况下。 PDF p.1

方法与端到端信息流

本文针对单用户多输入多输出（MIMO）和多用户MIMO通信场景，提出了一种语义感知的语音到文本传输系统SAC-ST。首先设计了一个语义通信系统，用于在接收端完成语音到文本的转换任务，该系统利用Transformer模块压缩语义信息，生成低维语义特征。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SAC-ST 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“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LibriSpeech；实验小节中明确出现的比较对象包括DeepSC、VQ-VAE、VAE、Transformer、SAC、DeepSC-S、DeepSC-ST、OFDM；指标包括WER、accuracy、latency、MSE；信道/链路条件包括Rayleigh、MIMO、OFDM、fading channel；正文可定位的代表性工作点有SNR = -8 dB。 PDF p.9

仿真结果表明，SAC-ST在语音到文本的性能上优于不使用语义感知网络的MIMO语音到文本的通信框架，尤其是在低信噪比的情况下。 PDF p.1

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。

一句话主旨：SCA 面向通用语义通信系统，把问题放在“联合信源信道编码（JSCC）”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信以其更优的传输效率被认为是未来无线通信的重要解决方案之一。 PDF p.1
2. 仍然存在的问题：然而，现有的方法不能在噪声信道下准确地传输语义信息。 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：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，我们提出了一种基于公平性的STAR-RIS辅助SC系统的传输策略。 PDF p.1
6. 方案为何可能有效：更具体地说，我们最大化的最小信噪比（SNR）的用户通过联合优化的主动波束成形和被动波束成形的约束下，在基站（BS）的功率有限。 PDF p.1
7. 作者希望证明什么：仿真实验表明，该算法在公平性和语义相似度方面优于其他基准方法。 PDF p.1

方法与端到端信息流

为此，本文提出了一种基于公平性的STAR-RIS辅助SC系统传输策略，即在基站功率受限的情况下，通过联合优化主动波束形成和被动波束形成，最大化用户的最小信噪比。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SCA 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

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

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

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“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

实验小节中明确出现的比较对象包括DeepSC、NOMA、RSMA、BERT、ETC；指标包括accuracy、semantic similarity、utility、PER；信道/链路条件包括AWGN、Rician、MIMO、fading channel、wireless channel。 PDF p.2

仿真实验表明，该算法在公平性和语义相似度方面优于其他基准方法。 PDF p.1

通信价值、局限与 Codex 判断

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

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

一句话主旨：TEM 面向视频传输、生成或控制，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着人工智能（AI）技术的发展和配备摄像头的设备的日益普及，许多边缘视频分析应用程序正在出现，需要在网络边缘部署计算密集型人工智能模型。 PDF p.1
2. 仍然存在的问题：然而，当设备无线连接时，例如可穿戴设备和自动汽车，可用的上行链路带宽非常有限，并且通信信道是高度动态的。 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：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：本文提出了一种面向任务的边缘视频分析通信框架，其中多个设备收集视觉感知数据并将信息特征传输到边缘服务器进行处理。 PDF p.1
6. 方案为何可能有效：具体而言，它提取紧凑的任务相关的功能的基础上确定性信息瓶颈（IB）的原则，其特征之间的信息量和通信成本的权衡。 PDF p.1
7. 作者希望证明什么：视频分析任务的大量实验证明，所提出的框架有效地编码视频数据的任务相关信息，并实现了比现有方法更好的速率-性能权衡。 PDF p.1

方法与端到端信息流

提出了一种面向任务的边缘视频分析通信框架，多台设备采集视觉感知数据，并将信息特征传输到边缘服务器进行处理，基于确定性信息瓶颈（IB）原理提取紧凑的任务相关特征，在特征信息量和通信代价之间进行权衡。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：TEM 的主传输单位应归为“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

对于多视图对象检测任务，我们将位约束Rbit设置在5 × 104至106的范围内。 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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“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COCO、HEVC；实验小节中明确出现的比较对象包括JPEG、WebP、HEVC、ResNet；指标包括mAP、accuracy、latency、IoU、PER。 PDF p.9

视频分析任务的大量实验证明，所提出的框架有效地编码视频数据的任务相关信息，并实现了比现有方法更好的速率-性能权衡。 PDF p.1

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。

一句话主旨：AirComp 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：边缘推理是指在网络边缘使用人工智能（AI）模型，为移动的设备提供推理服务，从而实现自动驾驶和Metaverse等智能服务。 PDF p.1
2. 仍然存在的问题：然而，与传统的以数据为中心的设计模式不同，支持边缘人工智能的6G网络具有面向任务的技术，专注于有效和高效地执行人工智能任务。 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：然而，与传统的以数据为中心的设计模式不同，支持边缘人工智能的6G网络具有面向任务的技术，专注于有效和高效地执行人工智能任务。 PDF p.1
6. 方案为何可能有效：在这项工作中，我们设计了面向任务的AirComp技术，以支持通信效率的边缘推理。 PDF p.2
7. 作者希望证明什么：针对人体运动识别的应用程序进行了大量的实验，验证了所提出的面向任务的计划比传统的计划的性能增益。 PDF p.1

方法与端到端信息流

然而，与传统的以数据为中心的设计模式不同，支持边缘AI的6G网络具有面向任务的技术，专注于有效和高效地执行AI任务。在这项工作中，我们设计了面向任务的AirComp技术来支持通信高效的边缘推理。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：AirComp 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“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

指标包括accuracy；信道/链路条件包括Rayleigh、fading channel。 PDF p.9

针对人体运动识别的应用程序进行了大量的实验，验证了所提出的面向任务的计划比传统的计划的性能增益。 PDF p.1

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。

一句话主旨：GRACE 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信通过其强大的语义信息提取和传输能力，在减少传输数据量方面显示出巨大的潜力。 PDF p.1
2. 仍然存在的问题：然而，由于传输数据量的不断增加和当前版本2024年11月13日的限制，他们遇到了重大挑战。 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：为了提高语义通信的可解释性，减少语义冗余，提出了一种场景图语义编码器。 PDF p.1
6. 方案为何可能有效：受此启发，我们提出了一个面向任务的场景图为基础的语义通信系统与自适应信道编码执行图像检索任务。 PDF p.2
7. 作者希望证明什么：实验结果证明该系统在任务执行性能、信道变化鲁棒性、传输效率和计算复杂度等方面均优于其他通信系统。 PDF p.1

方法与端到端信息流

为了提高语义通信的可解释性和减少语义冗余，本文引入了场景图语义编码器，并在此基础上提出了一个面向任务的场景图语义通信系统。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：GRACE 的主传输单位应归为“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

值得注意的是，为了在第V-C节中进行公平的性能比较，我们将ViT基准的符号数量设置为与没有SAC的GRACE相同。 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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“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ImageNet；实验小节中明确出现的比较对象包括BPG、LDPC、ViT、Transformer、QAM、SAC、BERT；指标包括latency、SSIM；信道/链路条件包括AWGN、Rician、fading channel。 PDF p.9

实验结果证明该系统在任务执行性能、信道变化鲁棒性、传输效率和计算复杂度等方面均优于其他通信系统。 PDF p.1

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。

一句话主旨：ISCC 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：研究了一种新的多设备边缘人工智能（AI）系统，该系统联合利用AI模型分割推理和集成感知与通信（ISAC），在网络边缘实现低延迟的智能服务。 PDF p.1
2. 仍然存在的问题：然而，由于鉴别增益的复杂形式和器件在信道增益、量化水平和生成的特征子集方面的异质性，这种集成的感测、计算和通信（ISCC）设计方法导致具有挑战性的非凸优化问题。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：在该系统中，多个ISAC设备执行雷达感测以获得多视图数据，然后将所提取的特征的量化版本卸载到集中式边缘服务器，该边缘服务器基于级联的特征向量进行模型推理。 PDF p.1
6. 方案为何可能有效：在此基础上，提出了一种端到端的面向任务的资源管理方法，并将这三个过程进行了联合设计。 PDF p.1
7. 作者希望证明什么：最后，通过将人体运动识别作为一个具体的人工智能推理任务，通过大量的实验验证方案性能。 PDF p.1

方法与端到端信息流

在该系统中，多台ISAC设备通过雷达感知获取多视角数据，并将提取的特征量化后卸载到集中式边缘服务器，由边缘服务器基于级联特征向量进行模型推理，然后将这三个过程集成到一个联合设计中，实现了一种面向任务的端到端资源管理方法。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

在该系统中，多个ISAC设备执行雷达感测以获得多视图数据，然后将所提取的特征的量化版本卸载到集中式边缘服务器，该边缘服务器基于级联的特征向量进行模型推理。 独立判断：ISCC 的主传输单位应归为“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.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.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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

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

实验设置与主要结论

指标包括accuracy、latency、throughput；信道/链路条件包括Rayleigh、MIMO、wireless channel。 PDF p.10

最后，通过将人体运动识别作为一个具体的人工智能推理任务，通过大量的实验验证方案性能。 PDF p.1

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。

一句话主旨：JSCCformer-f 面向图像传输、压缩或生成，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文提出了一种新的无线图像传输模式，称为JSCCformer-f。 PDF p.1
2. 仍然存在的问题：我们考虑一个块反馈信道模型，其中发送器在每个块之后接收无噪声/有噪声信道输出反馈。 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：本文提出了一种新的无线图像传输模式，称为JSCCformer-f。 PDF p.1
6. 方案为何可能有效：具体地，JSCCformer-f的统一编码器可以利用来自源图像的语义信息，并且从反馈信号中获取信道状态信息和解码器关于源图像的当前信念，以在每个块处生成编码符号。 PDF p.1
7. 作者希望证明什么：数值实验表明，JSCCformer-f格式具有良好的性能，对反馈链路中的噪声具有鲁棒性。 PDF p.1

方法与端到端信息流

本文提出了一种新的无线图像传输模式，可以利用来自接收端的反馈，称为JSCCformer-f。具体地说，JSCCformer-f的统一编码器可以利用来自源图像的语义信息，并从反馈信号中获取信道状态信息和解码器的当前信念源图像生成编码符号在每个块。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：JSCCformer-f 的主传输单位应归为“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

我们考虑一个块反馈信道模型，其中发送器在每个块之后接收无噪声/有噪声信道输出反馈。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.1

语义 decoder 实际面对的是：论文假设已经恢复的语义特征。 PDF p.1

实验设置与主要结论

数据集为ImageNet、CelebA、Kodak；实验小节中明确出现的比较对象包括DeepJSCC、BPG、ViT、Transformer、JSCC；指标包括PSNR、LPIPS、mAP、latency、MSE、PER；信道/链路条件包括AWGN；正文可定位的代表性工作点有SNR -2dB。 PDF p.10

数值实验表明，JSCCformer-f格式具有良好的性能，对反馈链路中的噪声具有鲁棒性。 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。

一句话主旨：DRL 面向语义感知资源分配与网络优化，把问题放在“通信安全与隐私”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信与移动的边缘计算（MEC）的集成已经成为一个突出的研究领域。 PDF p.1
2. 仍然存在的问题：我们的研究集中在解决资源管理挑战，以最小化任务完成时间和最大化语义谱效率（SSE），同时遵守服务质量要求和资源约束。 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：针对该问题的非凸性和干扰攻击的动态性，提出了一种深度强化学习（DRL）算法，该算法通过联合优化无人机航迹、用户关联和抗干扰信道选择来实现。 PDF p.1
6. 方案为何可能有效：具体来说，我们采用不同的DRL算法的无人机和用户的决策，旨在最大限度地提高系统的奖励在动态环境中。 PDF p.3
7. 作者希望证明什么：试验结果表明。在不同的实际环境下。所提方法在任务完成时间和总SSE上均优于基线算法。 PDF p.1

方法与端到端信息流

鉴于该问题的非凸性和干扰攻击的动态行为，本文提出了一种深度强化学习（DRL）算法，通过联合优化无人机轨迹、用户关联和信道选择来对抗干扰，具体而言，我们采用不同的DRL算法来进行无人机和用户的决策，旨在最大化动态环境中的系统回报。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：DRL 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

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

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepSC、DDPG、DQN、TD3、ETC；指标包括accuracy、latency、semantic similarity。 PDF p.9

试验结果表明。在不同的实际环境下。所提方法在任务完成时间和总SSE上均优于基线算法。 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。

一句话主旨：SemCom 面向语义信息度量与理论，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：为此，本文确定并共同解决了知识库构建（KBC）和车辆服务配对（VSP）这两个基本问题，这两个问题固有地存在于支持SemCom的车辆网络中，与下一代超可靠和低延迟通信（xURLLC）要求保持一致。 PDF p.1
2. 仍然存在的问题：这一趋势促使我们探索将SemCom应用于无线车载网络的潜力，这通常会消耗大量资源以满足严格的可靠性和延迟要求。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：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，本文确定并共同解决了知识库构建（KBC）和车辆服务配对（VSP）这两个基本问题，这两个问题固有地存在于支持SemCom的车辆网络中，与下一代超可靠和低延迟通信（xURLLC）要求保持一致。 PDF p.1
6. 方案为何可能有效：具体地说，我们首先推导出基于知识匹配的排队延迟特定的语义数据包，然后制定一个延迟最小化的问题受到几个KBC和VSP相关的可靠性约束。 PDF p.1
7. 作者希望证明什么：仿真结果表明，S4在平均排队延迟、语义数据包吞吐量、用户知识匹配度和知识偏好满意度等方面均优于两个基准测试。 PDF p.1

方法与端到端信息流

针对下一代超可靠低延迟通信（xURLLC）的需求，提出并解决了支持SemCom的车载网络中存在的知识库构建（KBC）和车辆服务配对（VSP）两个基本问题，首先推导了基于知识匹配的语义数据包排队延迟，和VSP相关的可靠性约束条件下的等待时间最小化问题。 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：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SemCom 的主传输单位应归为“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

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“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

指标包括latency、throughput、PER。 PDF p.9

仿真结果表明，S4在平均排队延迟、语义数据包吞吐量、用户知识匹配度和知识偏好满意度等方面均优于两个基准测试。 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”：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。

一句话主旨：SAFE 面向图像传输、压缩或生成，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：现有的基于深度学习的语义通信（DeepSC）系统通常针对特定的单信道条件进行训练，这限制了对干扰的整体适应性和弹性。 PDF p.1
2. 仍然存在的问题：然而，这种静态方法有明显的缺点。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为了解决这个问题，我们提出了一个创新的语义自适应特征提取（SAFE）网络，动态生成和融合多个子语义，每个子语义的特点是独特的功能，可以定制不同的信道条件。 PDF p.1
6. 方案为何可能有效：在这项研究中，我们展示了语义自适应特征提取（SAFE）框架的能力，并验证了它的训练和优化各种给定的信道带宽的能力。 PDF p.2
7. 作者希望证明什么：通过大量的仿真实验，我们证明了该框架的能力，在不同的信道干扰的情况下自适应地生成和传输语义，并通过客观和主观的质量评估验证的有效性。 PDF p.1

方法与端到端信息流

为了解决这个问题，我们提出了一个创新的语义自适应特征提取（SAFE）网络，动态生成和融合多个子语义，每个子语义的特点是独特的功能，可以根据不同的信道条件。在这项研究中，我们展示了语义自适应特征提取（SAFE）框架的能力，并验证其能力，以训练和优化各种给定的信道带宽。 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

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SAFE 的主传输单位应归为“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.8

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

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.8

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

实验设置与主要结论