論文の概要: Self-Supervised RF Signal Representation Learning for NextG Signal
Classification with Deep Learning
- arxiv url: http://arxiv.org/abs/2207.03046v1
- Date: Thu, 7 Jul 2022 02:07:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-09 04:01:21.804506
- Title: Self-Supervised RF Signal Representation Learning for NextG Signal
Classification with Deep Learning
- Title（参考訳）: 深層学習を用いたNextG信号分類のための自己教師付きRF信号表現学習
- Authors: Kemal Davaslioglu, Serdar Boztas, Mehmet Can Ertem, Yalin E. Sagduyu,
Ender Ayanoglu
- Abstract要約: 自己教師付き学習は、無線周波数(RF)信号自体から有用な表現を学習することを可能にする。
自己教師型学習による信号表現の学習により,AMRのサンプル効率(精度向上に必要なラベル付きサンプル数)を大幅に向上できることを示す。
- 参考スコア（独自算出の注目度）: 5.624291722263331
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning (DL) finds rich applications in the wireless domain to improve
spectrum awareness. Typically, the DL models are either randomly initialized
following a statistical distribution or pretrained on tasks from other data
domains such as computer vision (in the form of transfer learning) without
accounting for the unique characteristics of wireless signals. Self-supervised
learning enables the learning of useful representations from Radio Frequency
(RF) signals themselves even when only limited training data samples with
labels are available. We present the first self-supervised RF signal
representation learning model and apply it to the automatic modulation
recognition (AMR) task by specifically formulating a set of transformations to
capture the wireless signal characteristics. We show that the sample efficiency
(the number of labeled samples required to achieve a certain accuracy
performance) of AMR can be significantly increased (almost an order of
magnitude) by learning signal representations with self-supervised learning.
This translates to substantial time and cost savings. Furthermore,
self-supervised learning increases the model accuracy compared to the
state-of-the-art DL methods and maintains high accuracy even when a small set
of training data samples is used.
- Abstract（参考訳）: ディープ・ラーニング(DL)は、スペクトル認識を改善するために無線領域に豊富な応用を見出す。
通常、dlモデルは統計的分布に従ってランダムに初期化されるか、無線信号のユニークな特性を考慮せずにコンピュータビジョン(転送学習の形で)などの他のデータ領域のタスクに事前学習される。
自己教師付き学習は、ラベル付き限られたトレーニングデータサンプルのみが利用可能であっても、無線周波数(RF)信号から有用な表現を学習することができる。
本稿では,第1次自己教師付きrf信号表現学習モデルを提案し,無線信号特性をキャプチャする変換のセットを具体的に定式化し,自動変調認識(amr)タスクに適用する。
自己教師付き学習で信号表現を学習することで,amrのサンプル効率(一定の精度を達成するのに必要なラベル付きサンプル数)を大幅に向上できることを示した。
これは相当な時間とコスト削減を意味する。
さらに、自己教師付き学習は、最先端dl法に比べてモデルの精度を高め、少量のトレーニングデータサンプルを使用しても高い精度を維持する。
関連論文リスト
- Multi-Scale Convolutional LSTM with Transfer Learning for Anomaly Detection in Cellular Networks [1.1432909951914676]
本研究では,トランスファーラーニング(TL)を用いたマルチスケール畳み込みLSTMによるセルネットワークの異常検出手法を提案する。
モデルは最初、公開データセットを使用してスクラッチからトレーニングされ、典型的なネットワーク動作を学習する。
我々は,スクラッチから訓練したモデルの性能と,TLを用いた微調整モデルの性能を比較した。
論文 参考訳（メタデータ） (2024-09-30T17:51:54Z) - Deep Feature Learning for Wireless Spectrum Data [0.5809784853115825]
本稿では,無線通信クラスタリングのための特徴表現を教師なしで学習する手法を提案する。
自動表現学習は,無線伝送バーストの形状を含む微細なクラスタを抽出できることを示す。
論文 参考訳（メタデータ） (2023-08-07T12:27:19Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - Disentangled Representation Learning for RF Fingerprint Extraction under
Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。
提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。
実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-08-04T15:46:48Z) - 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) - Multi-task Learning Approach for Modulation and Wireless Signal
Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。
我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。
公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
論文 参考訳（メタデータ） (2022-02-26T14:51:02Z) - Modulation and signal class labelling using active learning and
classification using machine learning [0.0]
本稿では,能動的学習フレームワークを用いたリアルタイム無線変調と信号クラスラベリングの課題を解決することを目的とする。
アクティブラーニングは、トレーニングされたデータサンプルの最小限の量で、異なるクラスに属するデータポイントをラベル付けするのに役立つ。
論文 参考訳（メタデータ） (2022-02-23T15:33:29Z) - Improved Speech Emotion Recognition using Transfer Learning and
Spectrogram Augmentation [56.264157127549446]
音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。
SERの主な課題の1つは、データの不足である。
本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
論文 参考訳（メタデータ） (2021-08-05T10:39:39Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳（メタデータ） (2020-12-04T19:21:37Z) - Federated Self-Supervised Learning of Multi-Sensor Representations for
Embedded Intelligence [8.110949636804772]
スマートフォン、ウェアラブル、IoT(Internet of Things)デバイスは、教師付きモデルを学習するための集中リポジトリに蓄積できない豊富なデータを生成する。
本稿では,ウェーブレット変換に基づくテキストカルグラム・信号対応学習という自己教師付きアプローチを提案し,ラベルなしセンサ入力から有用な表現を学習する。
さまざまなパブリックデータセットのマルチビュー戦略を用いて,学習機能の品質を広範囲に評価し,すべての領域で高いパフォーマンスを実現している。
論文 参考訳（メタデータ） (2020-07-25T21:59:17Z) - Automatic Recall Machines: Internal Replay, Continual Learning and the
Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。
本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。
代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文 参考訳（メタデータ） (2020-06-22T15:07:06Z)
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。