論文の概要: Unlocking Interpretability for RF Sensing: A Complex-Valued White-Box Transformer
- arxiv url: http://arxiv.org/abs/2507.21799v1
- Date: Tue, 29 Jul 2025 13:35:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:56.360424
- Title: Unlocking Interpretability for RF Sensing: A Complex-Valued White-Box Transformer
- Title(参考訳): RFセンシングのためのアンロック解釈可能性:複素値のWhite-Box変換器
- Authors: Xie Zhang, Yina Wang, Chenshu Wu,
- Abstract要約: 本稿では,RFセンシングのための最初の数学的解釈可能なディープネットワークアーキテクチャであるRF-CRATEを提案する。
独自のRF信号に対応するために、元の実数値のホワイトボックス変換器を複素領域に拡張する非自明な理論的導出を行う。
RF-CRATEは、完全に設計されたブラックボックスモデルと同等の性能を達成し、完全な数学的解釈性を提供する。
- 参考スコア(独自算出の注目度): 7.557372242798258
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The empirical success of deep learning has spurred its application to the radio-frequency (RF) domain, leading to significant advances in Deep Wireless Sensing (DWS). However, most existing DWS models function as black boxes with limited interpretability, which hampers their generalizability and raises concerns in security-sensitive physical applications. In this work, inspired by the remarkable advances of white-box transformers, we present RF-CRATE, the first mathematically interpretable deep network architecture for RF sensing, grounded in the principles of complex sparse rate reduction. To accommodate the unique RF signals, we conduct non-trivial theoretical derivations that extend the original real-valued white-box transformer to the complex domain. By leveraging the CR-Calculus framework, we successfully construct a fully complex-valued white-box transformer with theoretically derived self-attention and residual multi-layer perceptron modules. Furthermore, to improve the model's ability to extract discriminative features from limited wireless data, we introduce Subspace Regularization, a novel regularization strategy that enhances feature diversity, resulting in an average performance improvement of 19.98% across multiple sensing tasks. We extensively evaluate RF-CRATE against seven baselines with multiple public and self-collected datasets involving different RF signals. The results show that RF-CRATE achieves performance on par with thoroughly engineered black-box models, while offering full mathematical interpretability. More importantly, by extending CRATE to the complex domain, RF-CRATE yields substantial improvements, achieving an average classification gain of 5.08% and reducing regression error by 10.34% across diverse sensing tasks compared to CRATE. RF-CRATE is fully open-sourced at: https://github.com/rfcrate/RF_CRATE.
- Abstract(参考訳): ディープラーニングの実証的な成功により、無線周波数(RF)領域への応用が加速し、Deep Wireless Sensing (DWS) に大きな進歩をもたらした。
しかし、既存のDWSモデルはブラックボックスとして機能し、その一般化性を阻害し、セキュリティに敏感な物理アプリケーションに対する懸念を提起する。
この研究は、ホワイトボックストランスの顕著な進歩に触発され、複雑なスパースレート低減の原理に基づいて、RFセンシングのための最初の数学的解釈可能なディープネットワークアーキテクチャであるRF-CRATEを提案する。
独自のRF信号に対応するために、元の実数値のホワイトボックス変換器を複素領域に拡張する非自明な理論的導出を行う。
CR-Calculusフレームワークを利用して,理論的に導出された自己アテンションと残留多層パーセプトロンモジュールを備えた,完全複素値のホワイトボックストランスフォーマの構築に成功した。
さらに、限られた無線データから識別的特徴を抽出する能力を向上させるために、特徴量の多様性を高める新しい正規化戦略であるSubspace Regularizationを導入し、複数のセンシングタスクで平均19.98%の性能向上を実現した。
我々はRF-CRATEを7つのベースラインに対して、異なるRF信号を含む複数の公開および自己収集データセットで広範囲に評価した。
その結果、RF-CRATEは、完全に設計されたブラックボックスモデルと同等の性能を示し、完全な数学的解釈性を提供する。
さらに重要なことは、CRATEを複素領域に拡張することで、RF-CRATEは大幅に改善され、平均的な分類精度は5.08%、回帰誤差はCRATEと比較して10.34%減少する。
RF-CRATEは、https://github.com/rfcrate/RF_CRATEで完全にオープンソース化されている。
関連論文リスト
- ARFC-WAHNet: Adaptive Receptive Field Convolution and Wavelet-Attentive Hierarchical Network for Infrared Small Target Detection [2.643590634429843]
ARFC-WAHNetは、赤外線小ターゲット検出のための適応型受容野畳み込みおよびウェーブレット減衰階層ネットワークである。
ARFC-WAHNetは、検出精度とロバスト性の両方において、最近の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2025-05-15T09:44:23Z) - Rydberg Atomic Quantum Receivers for Classical Wireless Communications and Sensing: Their Models and Performance [78.76421728334013]
ライドバーグ原子量子受信機(Rydberg atomic quantum receivers, RAQRs)は、高周波(RF)信号の電界を検出するための卓越した溶液である。
本稿では,無線コミュニティに対して,エンドツーエンドの受信方式を提示することでRAQRを導入する。
次に,現実的な受信フローに依存する等価なベースバンド信号モデルを開発する。
論文 参考訳(メタデータ) (2024-12-07T06:25:54Z) - Rydberg Atomic Quantum Receivers for Classical Wireless Communication and Sensing [71.94873601156017]
Rydberg 原子量子受信機 (RAQR) は、高周波(RF)信号を受信するように設計された量子精密センシングプラットフォームを新たに開発している。
RAQRは光-原子相互作用に基づくRF-光変換を実現する。
初期の実験的研究は、古典的な無線通信とセンシングにおけるその能力を実証した。
論文 参考訳(メタデータ) (2024-09-22T15:55:02Z) - SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance [106.0057551634008]
FreeNeRFは暗黙の幾何正規化を統合することでこの制限を克服しようとする。
新しい研究は、新しい特徴マッチングに基づくスパース幾何正規化モジュールを導入する。
モジュールは、高周波キーポイントをピンポイントすることで、詳細の完全性を保護する。
論文 参考訳(メタデータ) (2024-04-01T08:37:57Z) - In-Sensor Radio Frequency Computing for Energy-Efficient Intelligent
Radar [8.041399176135178]
本稿では,大規模RFNNを,その精度をほぼ保ちつつ,コンパクトなRFNNに変換することを提案する。
我々は、ロバストTT-RFNN(RTT-RFNN)をTT-RFNNに組み込むことにより、ロバストTT-RFNN(RTT-RFNN)を構築する。
MNIST と CIFAR-10 データセットを用いた実験により,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-12-16T06:21:42Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳(メタデータ) (2022-05-02T12:23:55Z) - RF-Net: a Unified Meta-learning Framework for RF-enabled One-shot Human
Activity Recognition [9.135311655929366]
デバイスフリー(または非接触)センシングは、デバイスベース(またはウェアラブル)センシングよりも環境変化に敏感である。
RF-HARの既存のソリューションは、新しい環境に適応するための努力的なデータ収集プロセスを必要とする。
本稿では,1ショットのRF-HARに対するメタラーニングに基づくアプローチとしてRF-Netを提案する。
論文 参考訳(メタデータ) (2021-10-29T01:58:29Z) - Spectro-Temporal RF Identification using Deep Learning [3.8137985834223507]
WRISTは、分光時間検出、フレームワーク、システムを備えた広帯域リアルタイムRF識別システムである。
得られたディープラーニングモデルは、時間と周波数のRF放射を検出し、分類し、正確に検出することができる。
WRIST検出器は、野生の非常に密集した環境でも平均的な平均精度が90に達する。
論文 参考訳(メタデータ) (2021-07-11T19:02:07Z)
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。