論文の概要: Specific Emitter Identification via Active Learning

• arxiv url: http://arxiv.org/abs/2601.04502v1
• Date: Thu, 08 Jan 2026 02:16:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.98462
• Title: Specific Emitter Identification via Active Learning
• Title（参考訳）: アクティブラーニングによる特定エミッタ同定
• Authors: Jingyi Wang, Fanggang Wang,
• Abstract要約: 本稿では,アクティブラーニング(AL)によって強化されたSEIアプローチを提案する。 第1段階では、ラベルのないデータからロバストな表現を抽出する動的辞書更新機構を自己教師付きコントラスト学習に適用する。 第2段階では、小さなラベル付きデータセットの教師付きトレーニングが行われ、コントラストとクロスエントロピーの損失を共同最適化して特徴分離性を向上させる。 第3段階では、ALモジュールは、不確実性と代表性基準に基づいて、未ラベルデータから最も価値のあるサンプルをアノテーションとして選択する。
• 参考スコア（独自算出の注目度）: 15.523945888913941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid growth of wireless communications, specific emitter identification (SEI) is significant for communication security. However, its model training relies heavily on the large-scale labeled data, which are costly and time-consuming to obtain. To address this challenge, we propose an SEI approach enhanced by active learning (AL), which follows a three-stage semi-supervised training scheme. In the first stage, self-supervised contrastive learning is employed with a dynamic dictionary update mechanism to extract robust representations from large amounts of the unlabeled data. In the second stage, supervised training on a small labeled dataset is performed, where the contrastive and cross-entropy losses are jointly optimized to improve the feature separability and strengthen the classification boundaries. In the third stage, an AL module selects the most valuable samples from the unlabeled data for annotation based on the uncertainty and representativeness criteria, further enhancing generalization under limited labeling budgets. Experimental results on the ADS-B and WiFi datasets demonstrate that the proposed SEI approach significantly outperforms the conventional supervised and semi-supervised methods under limited annotation conditions, achieving higher recognition accuracy with lower labeling cost.
• Abstract（参考訳）: 無線通信の急速な発展に伴い、特定のエミッタ識別(SEI)は通信セキュリティにとって重要である。 しかし、そのモデルトレーニングは大規模ラベル付きデータに大きく依存している。 この課題に対処するために,能動学習(AL)により強化されたSEIアプローチを提案する。 第1段階では、ラベルのない大量のデータからロバストな表現を抽出する動的辞書更新機構を用いて自己教師付きコントラスト学習を行う。 第2段階では、特徴分離性の向上と分類境界の強化のために、コントラストとクロスエントロピーの損失を共同最適化する小さなラベル付きデータセットの教師付きトレーニングを行う。 第3段階では、ALモジュールは、不確実性と代表性基準に基づいて、未ラベルデータから最も価値の高いサンプルを選択し、限定的なラベル付け予算下での一般化をさらに強化する。 ADS-B と WiFi データセットによる実験結果から,提案手法は限定的なアノテーション条件下で従来の教師付き手法と半教師付き手法を著しく上回り,ラベル付けコストの低減を図った。

関連論文リスト

• ConformalSAM: Unlocking the Potential of Foundational Segmentation Models in Semi-Supervised Semantic Segmentation with Conformal Prediction [57.930531826380836]
  本研究は,未ラベル画像のアノテータとして画素レベルの視覚課題におけるラベル不足に,基礎的セグメンテーションモデルが対処できるかどうかを考察する。 ConformalSAMは,まず対象ドメインのラベル付きデータを用いて基礎モデルを校正し,ラベルなしデータの信頼できないピクセルラベルをフィルタリングする新しいSSSSフレームワークである。
  論文  参考訳（メタデータ） (2025-07-21T17:02:57Z)
• Enhancing Classification with Semi-Supervised Deep Learning Using Distance-Based Sample Weights [0.0]
  この研究は、テストデータに近接してトレーニングサンプルを優先順位付けする半教師付きフレームワークを提案する。 12のベンチマークデータセットの実験では、精度、精度、リコールなど、主要なメトリクス間で大幅な改善が示されている。 このフレームワークは、半教師付き学習のための堅牢で実用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-20T13:29:04Z)
• Feedback-Driven Pseudo-Label Reliability Assessment: Redefining Thresholding for Semi-Supervised Semantic Segmentation [5.7977777220041204]
  擬似スーパービジョンの一般的な実践は、事前に定義された信頼しきい値やエントロピーに基づいて擬似ラベルをフィルタリングすることである。 疑似ラベル選択のための動的フィードバック駆動しきい値決定手法であるEnsemble-of-Confidence Reinforcement (ENCORE)を提案する。 提案手法は,既存の擬似スーパービジョンフレームワークにシームレスに統合され,セグメンテーション性能が大幅に向上する。
  論文  参考訳（メタデータ） (2025-05-12T15:58:08Z)
• 3DResT: A Strong Baseline for Semi-Supervised 3D Referring Expression Segmentation [73.877177695218]
  3D参照式(3D-RES)は通常、広範囲のインスタンスレベルのアノテーションを必要とします。 半教師付き学習(SSL)は、制限付きラベル付きデータと豊富なラベル付きデータを使用することでこれを緩和し、アノテーションのコストを削減しながらパフォーマンスを向上する。 本稿では,3D-RESのための半教師付き学習フレームワークについて紹介し,3DResTという頑健なベースライン手法を提案する。
  論文  参考訳（メタデータ） (2025-04-17T02:50:52Z)
• ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
  前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。 このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。 本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T16:33:31Z)
• Incremental Self-training for Semi-supervised Learning [56.57057576885672]
  ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。 提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-04-14T05:02:00Z)
• Implicit Counterfactual Data Augmentation for Robust Learning [24.795542869249154]
  本研究では, 突発的相関を除去し, 安定した予測を行うために, インプリシト・カウンセショナル・データ拡張法を提案する。 画像とテキストのデータセットをカバーする様々なバイアス付き学習シナリオで実験が行われてきた。
  論文  参考訳（メタデータ） (2023-04-26T10:36:40Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)

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。