6G会是语义通信吗？从面向任务和安全通信到集成感知的机遇与挑战

本文通过集成多任务学习，探索了面向任务（目标）和语义通信在下一代（NextG）通信网络中的机遇与挑战。该方法采用深度神经网络，在发送端表示专用编码器，在接收端表示多个任务特定解码器，共同训练以处理多样任务，包括语义信息保留、源输入重建以及集成感知与通信。为了将适用性从点对点链路扩展到多接收器设置，我们设想在多个接收器处部署解码器，其中分散式学习利用联邦学习技术将模型更新分布到分散节点，解决了通信负载和隐私问题的挑战。然而，该方法的有效性取决于所采用的深度学习模型的鲁棒性。我们审视了在训练和测试阶段来自对抗攻击的潜在漏洞。这些攻击旨在操纵发送端编码器的输入以及接收端空中接收的信号，强调了加强语义通信以抵御潜在多域利用的重要性。总体而言，在多任务学习框架中联合且鲁棒地设计面向任务的通信、语义通信以及集成感知与通信，成为NextG网络系统最终所需的上下文感知、资源高效和安全通信的关键推动因素。