論文の概要: Signal Transformer: Complex-valued Attention and Meta-Learning for Signal Recognition

• arxiv url: http://arxiv.org/abs/2106.04392v1
• Date: Sat, 5 Jun 2021 03:57:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-09 16:08:17.874121
• Title: Signal Transformer: Complex-valued Attention and Meta-Learning for Signal Recognition
• Title（参考訳）: 信号変換器:信号認識のための複素値注意とメタラーニング
• Authors: Yihong Dong, Ying Peng, Muqiao Yang, Songtao Lu and Qingjiang Shi
• Abstract要約: 本稿では,理論収束保証を伴う一般の非評価問題に対して,CAMEL(complex-valued Attentional MEta Learner)を提案する。 本報告では, 状態が小さい場合に, 提案したデータ認識実験の優位性を示す。
• 参考スコア（独自算出の注目度）: 33.178794056273304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have been shown as a class of useful tools for addressing signal recognition issues in recent years, especially for identifying the nonlinear feature structures of signals. However, this power of most deep learning techniques heavily relies on an abundant amount of training data, so the performance of classic neural nets decreases sharply when the number of training data samples is small or unseen data are presented in the testing phase. This calls for an advanced strategy, i.e., model-agnostic meta-learning (MAML), which is able to capture the invariant representation of the data samples or signals. In this paper, inspired by the special structure of the signal, i.e., real and imaginary parts consisted in practical time-series signals, we propose a Complex-valued Attentional MEta Learner (CAMEL) for the problem of few-shot signal recognition by leveraging attention and meta-learning in the complex domain. To the best of our knowledge, this is also the first complex-valued MAML that can find the first-order stationary points of general nonconvex problems with theoretical convergence guarantees. Extensive experiments results showcase the superiority of the proposed CAMEL compared with the state-of-the-art methods.
• Abstract（参考訳）: 近年、ディープニューラルネットワークは、信号認識問題、特に信号の非線形特徴構造を特定するための有用なツールの1つとして示されている。 しかし、この深層学習技術のパワーは、大量のトレーニングデータに大きく依存しているため、テストフェーズでは、トレーニングデータサンプルの数が小さかったり、見当たらないデータが提示されたりすると、古典的なニューラルネットワークの性能が急激に低下する。 これにより、モデルに依存しないメタラーニング(MAML)という高度な戦略が求められ、データサンプルや信号の不変表現をキャプチャすることができる。 本稿では,実際の時系列信号を構成する実部と虚部といった信号の特殊構造に着想を得て,複合領域における注意とメタラーニングを活用し,マイナショット信号認識問題に対してcamel(complex-valued attentional meta learninger)を提案する。 我々の知る限りでは、これは理論収束保証付き一般非凸問題の1次定常点を見つけることができる初めての複素数値MAMLである。 実験結果により,提案したCAMELが最先端手法と比較して優れていることが示された。

関連論文リスト

• Semi-Supervised Learning via Swapped Prediction for Communication Signal Recognition [11.325643693823828]
  ラベルが少ない小さなデータセットでディープニューラルネットワークをトレーニングすることは、一般的に過度な適合に陥り、結果として生成されたパフォーマンスが低下する。 我々は、より容易に利用可能なラベル付き信号データの集合を効果的に活用し、一般化を改善する半教師付き学習(SSL)法を開発した。
  論文  参考訳（メタデータ） (2023-11-14T14:08:55Z)
• Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
  本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。 本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。 合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
  論文  参考訳（メタデータ） (2023-06-19T12:01:28Z)
• 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)
• Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
  入射神経表現は、一般的な信号を表す新しい道である。 現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。 メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T18:02:53Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Modulation Pattern Detection Using Complex Convolutions in Deep Learning [0.0]
  ノイズやチャネル障害が信号に影響を与えるため、変調パターンの分類は困難である。 我々は、一連の畳み込みニューラルネットワークアーキテクチャにおける複雑な畳み込みの実装と利用について研究する。
  論文  参考訳（メタデータ） (2020-10-14T02:43:11Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。 本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
  論文  参考訳（メタデータ） (2020-02-17T19:06:05Z)

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。