論文の概要: Ensemble Wrapper Subsampling for Deep Modulation Classification

• arxiv url: http://arxiv.org/abs/2005.04586v1
• Date: Sun, 10 May 2020 06:11:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 01:37:57.822721
• Title: Ensemble Wrapper Subsampling for Deep Modulation Classification
• Title（参考訳）: 深部変調分類のためのアンサンブルラッパーサブサンプリング
• Authors: Sharan Ramjee, Shengtai Ju, Diyu Yang, Xiaoyu Liu, Aly El Gamal, Yonina C. Eldar
• Abstract要約: 受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
• 参考スコア（独自算出の注目度）: 70.91089216571035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Subsampling of received wireless signals is important for relaxing hardware requirements as well as the computational cost of signal processing algorithms that rely on the output samples. We propose a subsampling technique to facilitate the use of deep learning for automatic modulation classification in wireless communication systems. Unlike traditional approaches that rely on pre-designed strategies that are solely based on expert knowledge, the proposed data-driven subsampling strategy employs deep neural network architectures to simulate the effect of removing candidate combinations of samples from each training input vector, in a manner inspired by how wrapper feature selection models work. The subsampled data is then processed by another deep learning classifier that recognizes each of the considered 10 modulation types. We show that the proposed subsampling strategy not only introduces drastic reduction in the classifier training time, but can also improve the classification accuracy to higher levels than those reached before for the considered dataset. An important feature herein is exploiting the transferability property of deep neural networks to avoid retraining the wrapper models and obtain superior performance through an ensemble of wrappers over that possible through solely relying on any of them.
• Abstract（参考訳）: 受信した無線信号のサブサンプリングは、ハードウェア要件と出力サンプルに依存する信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。 専門家の知識にのみ依存する事前設計戦略に依存する従来のアプローチとは異なり、提案されたデータ駆動サブサンプリング戦略では、ディープニューラルネットワークアーキテクチャを使用して、各トレーニング入力ベクターからサンプルの候補の組み合わせを除去する効果をシミュレーションしている。 その後、サブサンプリングされたデータは、考慮される10の変調タイプそれぞれを認識する別のディープラーニング分類器によって処理される。 提案したサブサンプリング戦略は,分類器の学習時間を大幅に短縮するだけでなく,評価されたデータセットよりも高いレベルまで分類精度を向上させることができることを示す。 ここで重要な特徴は、ディープニューラルネットワークの転送可能性特性を利用して、ラッパーモデルの再トレーニングを回避し、ラッパーのアンサンブルによる優れたパフォーマンスを得ることだ。

関連論文リスト

• Augmenting Radio Signals with Wavelet Transform for Deep Learning-Based Modulation Recognition [6.793444383222236]
  近年,無線変調認識のための深層学習が普及している。 現実のシナリオでは、事前に十分なトレーニングデータを収集することは不可能かもしれない。 データ拡張は、トレーニングデータセットの多様性と量を増やすために使用される方法である。
  論文  参考訳（メタデータ） (2023-11-07T06:55:39Z)
• Iterative self-transfer learning: A general methodology for response time-history prediction based on small dataset [0.0]
  本研究では,小さなデータセットに基づいてニューラルネットワークを学習するための反復的自己伝達学習手法を提案する。 提案手法は,小さなデータセットに対して,ほぼ一桁の精度でモデル性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-06-14T18:48:04Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Gradient-based Adversarial Deep Modulation Classification with Data-driven Subsampling [6.447052211404121]
  ディープラーニング技術は、従来のモデルベースの戦略に優れたパフォーマンスをもたらすことが示されている。 ディープラーニング技術は、勾配に基づく敵攻撃に対して脆弱であることも示されている。 我々は、最近導入されたディープラーニングベースのアルゴリズムがいくつか採用されているデータ駆動サブサンプリング設定について検討する。 我々は,他者の戦略の知識を前提として,様々な前提の下で最善の戦略を評価する。
  論文  参考訳（メタデータ） (2021-04-03T22:28:04Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。