論文の概要: ReFormer: Generating Radio Fakes for Data Augmentation

• arxiv url: http://arxiv.org/abs/2501.00282v1
• Date: Tue, 31 Dec 2024 05:28:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:12:13.863245
• Title: ReFormer: Generating Radio Fakes for Data Augmentation
• Title（参考訳）: ReFormer: データ拡張のための無線フェイクの生成
• Authors: Yagna Kaasaragadda, Silvija Kokalj-Filipovic,
• Abstract要約: ReFormerは、合成無線周波数(RF)データを効率的に生成できる生成AI(GAI)モデルである。 異なるトランスフォーマーアーキテクチャと他の設計選択が生成したRFフェイクの品質にどのように影響するかを示す。
• 参考スコア（独自算出の注目度）: 0.49109372384514843
• License:
• Abstract: We present ReFormer, a generative AI (GAI) model that can efficiently generate synthetic radio-frequency (RF) data, or RF fakes, statistically similar to the data it was trained on, or with modified statistics, in order to augment datasets collected in real-world experiments. For applications like this, adaptability and scalability are important issues. This is why ReFormer leverages transformer-based autoregressive generation, trained on learned discrete representations of RF signals. By using prompts, such GAI can be made to generate the data which complies with specific constraints or conditions, particularly useful for training channel estimation and modeling. It may also leverage the data from a source system to generate training data for a target system. We show how different transformer architectures and other design choices affect the quality of generated RF fakes, evaluated using metrics such as precision and recall, classification accuracy and signal constellation diagrams.
• Abstract（参考訳）: 実世界の実験で収集したデータセットを増大させるために、学習したデータと統計的に類似した、あるいは修正された統計で合成無線周波数(RF)データを効率的に生成できる生成AI(GAI)モデルであるReFormerを提案する。 このようなアプリケーションにとって、適応性とスケーラビリティは重要な問題である。 そこでReFormerは、学習したRF信号の離散表現に基づいて訓練されたトランスフォーマーベースの自己回帰生成を利用する。 プロンプトを使用することで、特定の制約や条件に準拠するデータ、特にチャネル推定とモデリングのトレーニングに有用なデータを生成することができる。 また、ソースシステムからのデータを利用して、ターゲットシステムのトレーニングデータを生成することもできる。 本稿では,異なるトランスフォーマーアーキテクチャや設計選択が生成したRFフェイクの品質に与える影響を,精度やリコール,分類精度,信号星座図などの指標を用いて評価する。

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)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• 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)
• Self-Supervised RF Signal Representation Learning for NextG Signal Classification with Deep Learning [5.624291722263331]
  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。
  論文  参考訳（メタデータ） (2022-07-07T02:07:03Z)
• 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)
• RF Signal Classification with Synthetic Training Data and its Real-World Performance [0.0]
  本稿では,実環境における実環境性能に対する合成訓練データにモデル化された異なるRF信号障害の影響について検討する。 念入りに設計された合成トレーニングデータのみを使用することで、実世界の操作において最大95%の精度を達成できる。
  論文  参考訳（メタデータ） (2022-06-26T20:47:33Z)
• Data Scaling Laws in NMT: The Effect of Noise and Architecture [59.767899982937756]
  ニューラルネットワーク翻訳(NMT)のデータスケーリング特性に及ぼすアーキテクチャとトレーニングデータ品質の影響について検討する。 データスケーリング指数は最小限の影響を受けており、より多くのデータを追加することで、極端に悪いアーキテクチャやトレーニングデータの補償が可能になることを示唆しています。
  論文  参考訳（メタデータ） (2022-02-04T06:53:49Z)
• Generating Symbolic Reasoning Problems with Transformer GANs [3.04585143845864]
  本稿では,Transformerエンコーダを内蔵したGANとWasserstein GANを用いて,記号的推論領域に対する有意義で困難なトレーニングデータを生成する能力について検討する。
  論文  参考訳（メタデータ） (2021-10-19T15:30:24Z)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• Radioactive data: tracing through training [130.2266320167683]
  本稿では,このデータセットに認識不能な変化を生じさせる新しい手法であるEmphradioactive dataを提案する。 訓練されたモデルにより, 放射能データの利用を検知し, 信頼度(p-値)のレベルを提供する。 提案手法はディープネットワーク最適化におけるデータ拡張とバックドア性に対して堅牢である。
  論文  参考訳（メタデータ） (2020-02-03T18:41:08Z)

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。