Achieving artificially intelligent-native wireless networks is necessary for the operation of future 6G applications such as the metaverse. Nonetheless, current communication schemes are, at heart, a mere reconstruction process that lacks reasoning. One key solution that enables evolving wireless communication to a human-like conversation is semantic communications. In this paper, a novel machine reasoning framework is proposed to pre-process and disentangle source data so as to make it semantic-ready. In particular, a novel contrastive learning framework is proposed, whereby instance and cluster discrimination are performed on the data. These two tasks enable increasing the cohesiveness between data points mapping to semantically similar content elements and disentangling data points of semantically different content elements. Subsequently, the semantic deep clusters formed are ranked according to their level of confidence. Deep semantic clusters of highest confidence are considered learnable, semantic-rich data, i.e., data that can be used to build a language in a semantic communications system. The least confident ones are considered, random, semantic-poor, and memorizable data that must be transmitted classically. Our simulation results showcase the superiority of our contrastive learning approach in terms of semantic impact and minimalism. In fact, the length of the semantic representation achieved is minimized by 57.22% compared to vanilla semantic communication systems, thus achieving minimalist semantic representations.

本文考虑通过模型量化提高联邦学习（FL）的无线通信和计算效率。在提出的Bitwidth FL方案中，Edge设备将其本地FL模型参数的量化版本训练并传输到协调服务器，从而将它们汇总为量化的全局模型并同步设备。目的是共同确定用于本地FL模型量化的位宽度以及每次迭代中参与FL训练的设备集。该问题被视为一个优化问题，其目标是在每卷工具采样预算和延迟要求下最大程度地减少量化FL的训练损失。为了得出解决方案，进行分析表征，以显示有限的无线资源和诱导的量化误差如何影响所提出的FL方法的性能。分析结果表明，两个连续迭代之间的FL训练损失的改善取决于设备的选择和量化方案以及所学模型固有的几个参数。给定基于线性回归的这些模型属性的估计值，可以证明FL训练过程可以描述为马尔可夫决策过程（MDP），然后提出了基于模型的增强学习（RL）方法来优化动作的方法选择迭代。与无模型RL相比，这种基于模型的RL方法利用FL训练过程的派生数学表征来发现有效的设备选择和量化方案，而无需强加其他设备通信开销。仿真结果表明，与模型无RL方法和标准FL方法相比，提出的FL算法可以减少29％和63％的收敛时间。

常规的反犯罪方法主要集中于防止通过不变政策或与具有类似障碍政策的多个干扰者的攻击进行不变的攻击。这些抗界方法在几种不同的干扰策略或具有不同策略的多个干扰器之后，对单个干扰器无效。因此，本文提出了一种反判断方法，可以使其政策适应当前的干扰攻击。此外，对于多个干扰器情景，提出了一种反杀伤方法，该方法在以前的插槽中估算了使用卡默斯占领的通道估算未来占用的通道。在单个干扰器的情况下，用户和干扰器之间的相互作用是使用复发性神经网络（RNN）s建模的。通过计算用户的成功传输速率（STR）和厄贡速率（ER），评估所提出的抗界方法的性能，并与基于Q学习（DQL）的基线进行比较。仿真结果表明，对于单个干扰器方案，完美地检测到所有考虑的干扰策略，并保持高STR和ER。此外，当70％的频谱受到多个干扰器的干扰攻击时，该提出的方法分别达到了STR和ER大于75％和80％。当频谱的30％处于干扰攻击下时，这些值上升到90％。此外，针对所有考虑的情况和干扰场景，提出的抗界方法显着优于DQL方法。

在本文中，提出了用于文本数据传输的语义通信框架。在研究的模型中，基站（BS）从文本数据中提取语义信息，并将其传输到每个用户。语义信息由由一组语义三元组组成的知识图（kg）建模。收到语义信息后，每个用户都使用图形到文本生成模型恢复原始文本。为了衡量所考虑的语义通信框架的性能，提出了共同捕获恢复文本的语义准确性和完整性的语义相似性（MSS）的指标。由于无线资源限制，BS可能无法将整个语义信息传输给每个用户并满足传输延迟约束。因此，BS必须为每个用户选择适当的资源块，并确定和将一部分语义信息传输给用户。因此，我们制定了一个优化问题，其目标是通过共同优化资源分配策略并确定要传输的部分语义信息来最大化总MSS。为了解决这个问题，提出了与注意力网络集成的基于近端优化的强化增强学习（RL）算法。所提出的算法可以使用注意网络在语义信息中评估每个三重组的重要性，然后在语义信息中三元组的重要性分布与总MSS之间建立关系。与传统的RL算法相比，所提出的算法可以动态调整其学习率，从而确保收敛到本地最佳解决方案。

在本文中，提出了一个绿色，量化的FL框架，该框架在本地培训和上行链路传输中代表具有有限精度水平的数据。在这里，有限的精度级别是通过使用量化的神经网络（QNN）来捕获的，该神经网络（QNN）以固定精确格式量化权重和激活。在考虑的FL模型中，每个设备训练其QNN并将量化的训练结果传输到基站。严格得出了局部训练和传输的能量模型。为了同时最大程度地减少能耗和交流的数量，相对于本地迭代的数量，选定设备的数量以及本地培训和传输的精确级别，在确保融合的同时，提出了多目标优化问题目标准确性约束。为了解决此问题，相对于系统控制变量，分析得出所提出的FL系统的收敛速率。然后，该问题的帕累托边界被表征为使用正常边界检查方法提供有效的解决方案。通过使用NASH讨价还价解决方案并分析派生的收敛速率，从两个目标之间平衡了两种目标之间的权衡的洞察力。仿真结果表明，与代表完全精确的数据相比，提出的FL框架可以减少能源消耗，直到收敛高达52％。

为满足城市内部运输中不断增长的行动需求，已经提出了城市空运（UAM）的概念，其中垂直起飞和着陆（VTOL）飞机用于提供乘车服务。在UAM中，飞机可以在称为走廊的指定空间中运行，链接机场。 GBS和飞机之间的可靠通信网络使UAM能够充分利用空域，并创造快速，高效，安全的运输系统。在本文中，为了表征UAM的无线连接性能，提出了一种空间模型。对于该设置，导出任意选择的GBS与其相关飞机之间的距离和GBS经历的干扰的拉普拉斯变换的分布。使用这些结果，确定基于信号的连通概率（SIR）以捕获UAM飞机到地通信网络的连接性能。然后，提出了利用这些连接结果，建议使用傅里叶神经网络的无线的异步联合学习（AFL）框架来解决UAM操作期间湍流预测的具有挑战性问题。对于该AFL方案，引入了一种静止感知的全局聚合方案，以加快UAM飞机使用的最佳湍流预测模型的收敛性。仿真结果验证了UAM无线连接的理论派生。结果还表明，所提出的AFL框架会收敛于比同步联合学习基线和无期性的AFL方法更快地收敛到最佳湍流预测模型。此外，结果表征了在不同参数设置下的无线连接和飞机湍流模型的融合性能的性能，提供了有用的UAM设计指南。

随着智能干扰的出现，干扰攻击已成为无线系统性能的更严重威胁。智能化器能够更改其策略，以最大限度地减少由合法节点进行跟踪的概率。因此，需要一种能够持续调节对干扰策略的抗干扰机构来打击这种干扰物。值得注意的是，现有的抗干扰方法在这里不适用，因为它们主要关注减轻与不变的干扰政策的干扰攻击，并且很少考虑一个智能的干扰器作为对手。因此，在本文中，提出了与抗干扰技术一起工作的干扰型识别技术。所提出的识别方法采用经常性的神经网络，将Jammer的占用通道作为输入，输出干扰类型。在此方案下，首先确定实时干扰策略，然后选择最合适的对策。因此，可以通过所提出的识别技术来立即检测对干扰策略的任何改变，允许快速切换到适合新的干扰策略的新的抗干扰方法。为了评估所提出的识别方法的性能，派生检测的准确性是Jammer策略切换时间的函数。当Jammer策略切换时间为45时，仿真结果显示所有所考虑的用户数字的检测精度大于70％，当Jammer策略切换时间为45时，精度会提高到90％。

协作深度加强学习（CDRL）算法，其中多个代理可以在无线网络上协调是一种有希望的方法，以便在复杂的动态环境中依赖实时决策的未来智能和自主系统。尽管如此，在实际情况下，CDRL由​​于代理的异质性及其学习任务，不同环境，学习时间限制以及无线网络的资源限制，因此CDRL面临着许多挑战。为了解决这些挑战，在本文中，提出了一种新颖的语义感知CDRL方法，以使一组异构未经训练的代理具有语义连接的DRL任务，以在资源受限无线蜂窝网络上有效地协作。为此，提出了一种新的异构联邦DRL（HFDRL）算法，以选择用于协作的语义相关DRL代理的最佳子集。然后，该方法将共同优化合作选定代理的训练损失和无线带宽分配，以便在其实时任务的时间限制内培训每个代理。仿真结果表明，与最先进的基线相比，所提出的算法的卓越性能。

语义通信将在实现下一代无线系统中实现目标面向服务的关键作用。然而，该域中的大多数现有技术仅限于特定应用程序（例如，文本或图像），并且它不能够实现所定向的通信，其中必须与语义一起考虑发送信息的有效性，以便执行a某些任务。在本文中，提出了一种综合语义通信框架，以实现面向目标的任务执行。为了捕获扬声器和侦听器之间的语义，使用信仰的概念来定义一个通用语言，以使扬声器向听众描述环境观察。然后，提出了优化问题以选择完美描述了观察的最小信念集，同时最小化任务执行时间和传输成本。建议将课程学习（CL）和强化学习（RL）结合的新型自上而下框架来解决这个问题。仿真结果表明，在训练期间，所提出的CL方法在收敛时间，任务执行时间和传输成本方面优于传统的RL。

通过具有资源约束设备的无线网络部署联合学习（FL）需要平衡精度，能量效率和精度之间。现有技术在FL上经常需要设备使用32位精度级别来培训深神经网络（DNN）以进行数据表示以提高精度。然而，由于DNN可能需要执行数百万运算，因此这些算法对于资源受限设备来说是不切实际的。因此，培训具有高精度水平的DNN，对FL的高能量成本引起。在本文中，提出了一种量化的FL框架，其表示在本地训练和上行链路传输中具有有限精度的有限精度的数据。这里，通过使用量化的神经网络（QNN）以固定精度格式量化的量化神经网络（QNN）来捕获有限的精度。在所考虑的流域中，每个设备列举其QNN并将量化的训练结果传输到基站。用于本地训练的能源模型和具有量化的传输经过严格导出。在确保收敛的同时，相对于精度的水平配制了能量最小化问题。为了解决问题，我们首先分析了流量收敛速度并使用了线路搜索方法。仿真结果表明，与标准FL模型相比，我们的FL框架可以将能耗降低至53％。结果在无线网络上的精度，能量和准确性之间的权衡之间还阐明了借调。