O-MDMA 通过建立语义特征空间的多址传输方案，为多用户场景提供 了语义级资源分配与干扰管理的核心框架。这一理论的价值不仅限于多址接入， 其将信息解耦为可独立操作的语义组件（模态）并实现动态调度的思想为更广义 的语义通信演进提供了关键技术支撑。在多模态自适应语义通信中，MDMA 的特 征空间映射机制可应用于不同模态（图像/点云/视频等）的特征级资源优化，解 决低 SNR 鲁棒性、特征压缩与码率控制等挑战；同时，其模态重组逻辑可驱动跨 学习分为两阶段： 1）广义特征提取器的学习：假设基站拥有原始任务和目标任务的模型，学 习目标是找到一个能够从这两个模型中提取共享特征的特征提取器。该方法利 用典型相关分析（SVCCA）计算两个不同任务模型对应网络层激活输出的最大相 关系数 𝜌1，以此量化它们的表达相似度。通过观察𝜌1在网络深度上的变化（通 常浅层更高），并设定一个阈值𝜌𝑇，将网络的特征提取能力区分为广义特征提 取器 �