该论文研究了中继辅助语义通信系统中的隐私问题。语义通信通过传输任务相关信息而非原始数据，旨在资源受限和信道条件下实现高效鲁棒的通信。然而，论文发现即使中继节点无法访问源数据，它也可以直接基于学习到的潜在表示可靠地推断语义含义并重构信号，其性能与合法接收者相当，这揭示了语义表示的基本隐私漏洞。为解决此问题，论文提出了一种迭代对抗训练框架，明确考虑中继处存在一个强自适应的训练窃听者。该框架交替优化中继的窃听功能和合法系统，从而在合法接收者保持语义解码性能的同时，降低中继的语义推断能力。实验表明，该方法显著扩大了合法接收者和窃听者之间的语义准确度差距，且在不同信道条件下均有效。重要的是，这种保护是以隐蔽方式实现的，即在选择性抑制语义泄露的同时保持高重构保真度。论文的主要贡献包括：揭示了中继辅助语义通信中的隐私漏洞，提出了对抗训练防御框架，并在实验上验证了其有效性。该工作适合研究语义通信、隐私保护、对抗机器学习的学者和工程师阅读。

本文研究了语义通信（SemCom）在多址接入信道（MAC）中的无线后门攻击与防御问题。语义通信旨在超越传统比特级恢复，保留语义信息并支持面向任务的信息传输。当两个发射器通过共享无线信道向一个公共接收器发送语义信息时，接收器需要联合重建并分类两个发射器的语义。攻击者利用训练阶段，通过发射低功率触发器波形（over-the-air）将其注入共享接收信号中，形成后门。测试阶段，当攻击者再次发射相同触发器时，接收器会错误分类/重建被攻击发射器的语义，但另一个发射器的推理几乎不受影响，实现选择性攻击。为此，作者提出了一种触发器感知的防御机制，通过在训练过程中使用含有触发器的无线观测样本进行鲁棒训练，使模型能够正确识别并忽略触发器的影响。实验结果表明，共享接入的语义通信系统容易受到选择性的无线后门攻击，而所提出的触发感知鲁棒训练能有效保护语义推理的正确性。该工作揭示了多用户语义推理场景中的新安全漏洞，并提供了可操作的防御方法，对无线网络安全、机器学习安全以及语义通信的实际部署具有重要参考价值。