Semantic Communication
PulseAugur coverage of Semantic Communication — every cluster mentioning Semantic Communication across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的DA-DJSCC方法增强了物联网设备的语义图像通信
研究人员开发了一种名为双自适应DJSCC（DA-DJSCC）的新方法，以改进物联网（IoT）设备的语义通信。该方法通过结合通道注意力和空间注意力模块来增强现有的深度联合源信道编码（DJSCC），这些模块可以动态适应变化的无线条件和特征重要性。DA-DJSCC旨在克服为不同信噪比（SNR）训练独立模型的挑战，使其更适用于资源受限的物联网环境。
-
VAE驱动的语义通信框架增强了自动驾驶汽车的连接性
研究人员开发了一种用于联网自动驾驶汽车（CAVs）的语义通信新框架，该框架利用变分自编码器（VAE）进行卫星辅助驾驶。这种VAE驱动的方法侧重于传输与任务相关的语义特征，而不是原始数据，这对于带宽受限的卫星信道尤其有利。该框架旨在同时优化交通标志重建和分类任务，在各种信噪比条件下保持稳定性能的同时，带宽减少高达98.17%。
-
新研究强调语义通信系统中的隐私风险
研究人员在继电器辅助语义通信（SemCom）系统中发现了一个重大的隐私漏洞。即使没有直接访问原始数据，中间继电器节点也能高保真地推断和重建信号，从而对语义表示构成风险。为缓解此问题，提出了一种迭代对抗训练框架。该方法优化系统以降低继电器推断语义信息的能力，同时为目标接收者保持性能，从而增强隐私。
-
新型无线后门攻击针对语义通信系统
研究人员发现，在共享无线网络中使用的语义通信系统存在新的漏洞，攻击者可以发起选择性的空中后门攻击。该攻击在训练期间注入低功率触发波形，在测试期间可以操纵一个发射机的语义推理，而不会影响其他发射机。为了应对这种情况，研究人员开发了一种感知触发的防御机制，证明了鲁棒训练在保护语义标签免受此类无线攻击方面的有效性。
-
语义通信研究探讨延迟、复杂度和鲁棒性之间的权衡
两篇新研究论文探讨了使用人工智能和机器学习优化通信系统的先进技术。第一篇论文介绍了一个语义通信框架，该框架联合重建图像并预测标签，通过调整潜在表示来优化延迟和任务保真度。第二篇论文提出了一种内存增强的源编码方案，通过将上下文模式内化到共享源模型中，增强了低信噪比环境下文本传输的鲁棒性。