深度分析
以潛變維度為語意率：隊列感知與 AoI-aware 策略平衡延遲與準確度
本研究探討在有衰落與雜訊的無線通道下，透過可學習的語意自編解碼器，把潛變維度（每張影像使用的複數通道資源）視為跨層控制變數，實現端到端任務導向的壓縮與解碼。論文提出兩類線上語意率控制策略：基於隊列的 drift-plus-penalty 策略以平均語意錯誤上限為約束來最小化延遲；
語意通訊
深度分析
自適應雙路徑語意通訊框架：結合 Gumbel-Softmax 與對比表示以實現隱蔽傳輸
在實時無線場景下，語意通訊可節省頻寬並聚焦任務。本文提出自適應雙路徑框架，將隱蔽任務內嵌於公開語意特徵中，並用對比學習與Gumbel‑Softmax動態選塊以維持效能與隱蔽性。實驗在Cityscapes上顯示，攻擊者檢測準確度降至56.12%，同時保持主要語意任務表現。
深度分析
SemBugger 多態後門：觸發強度分層在語意通訊的攻擊與可證明防禦
語意通訊面臨訓練資料植入後門威脅。研究提出SemBugger，透過分級強度的隱性觸發器在訓練中毒，讓系統依觸發強度生成多樣惡意重建結果。實驗顯示攻擊能在維持正常傳輸下達成高成功率，且設計對應噪聲防禦能有效抵禦攻擊。此多態後門突破單一目標限制，對系統治理與防護提出新挑戰。