本文针对无线边缘网络中语义通信的隐私泄露问题，提出了一种基于视觉语言模型（VLM）的隐私保护语义通信框架。传统语义通信通过传输高层语义特征而非原始比特来提升频谱效率，但多设备协作和跨模态传输会通过设备间语义融合和跨模态表示泄露敏感信息。为此，作者设计了一个边缘服务器维护的隐私数据库，VLM从中提取图像中的文本语义并识别隐私敏感实体。每个设备在传输图像前，先移除被标记的隐私区域，同时保留有用语义内容；服务器端则利用文本嵌入和VLM语义先验，从接收到的掩码图像中重建被移除的区域。为了保护文本信息，作者利用无线信道的互易性生成物理层密钥，设计了无需预共享密钥的加密语义信道收发机。此外，引入语义信息瓶颈来抑制多设备间的冗余信息。评估部分针对一个强大的模型感知对手（可窃听无线传输并获取边缘设备模型参数，但无法访问服务器端数据）进行了仿真。结果表明，与无隐私保护的语义通信方案相比，该方法将隐私泄露降低了50%以上；同时，授权服务器在感知重建质量上比攻击者提高了48%。估计的传输表示与原始数据的互信息接近0比特，说明有效抑制了跨设备的语义冗余。该研究为无线边缘网络中的多模态语义通信提供了隐私保护新思路，适合语义通信、边缘智能和隐私计算方向的研究人员阅读。

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。