論文の概要: Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models

• arxiv url: http://arxiv.org/abs/2602.04650v1
• Date: Wed, 04 Feb 2026 15:25:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.589761
• Title: Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models
• Title（参考訳）: 不確実性下でのRF信号分離の学習:検出-Then-Separate対統一関節モデル
• Authors: Ariel Rodrigez, Alejandro Lancho, Amir Weiss,
• Abstract要約: 受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
• 参考スコア（独自算出の注目度）: 53.79667447811139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasingly crowded radio frequency (RF) spectrum forces communication signals to coexist, creating heterogeneous interferers whose structure often departs from Gaussian models. Recovering the interference-contaminated signal of interest in such settings is a central challenge, especially in single-channel RF processing. Existing data-driven methods often assume that the interference type is known, yielding ensembles of specialized models that scale poorly with the number of interferers. We show that detect-then-separate (DTS) strategies admit an analytical justification: within a Gaussian mixture framework, a plug-in maximum a posteriori detector followed by type-conditioned optimal estimation achieves asymptotic minimum mean-square error optimality under a mild temporal-diversity condition. This makes DTS a principled benchmark, but its reliance on multiple type-specific models limits scalability. Motivated by this, we propose a unified joint model (UJM), in which a single deep neural architecture learns to jointly detect and separate when applied directly to the received signal. Using tailored UNet architectures for baseband (complex-valued) RF signals, we compare DTS and UJM on synthetic and recorded interference types, showing that a capacity-matched UJM can match oracle-aided DTS performance across diverse signal-to-interference-and-noise ratios, interference types, and constellation orders, including mismatched training and testing type-uncertainty proportions. These findings highlight UJM as a scalable and practical alternative to DTS, while opening new directions for unified separation under broader regimes.
• Abstract（参考訳）: 電波周波数(RF)の増大により、通信信号が共存し、ガウス模型からしばしば構造が離れる異種干渉体が生じる。 このような設定における干渉汚染信号の回収は、特に単一チャネルRF処理における中心的な課題である。 既存のデータ駆動の手法では、干渉タイプが知られていると仮定されることが多く、干渉者の数と不十分なスケールの特殊なモデルのアンサンブルが生じる。 ガウス混合フレームワークでは,プラグイン最大遅延検出器とタイプコンディショニング最適推定器を併用し,軽度時間変動条件下での漸近最小平均二乗誤差最適性を実現する。 これにより、DTSは原則化されたベンチマークになるが、複数の型固有のモデルに依存しているため、スケーラビリティが制限される。 そこで本研究では,単一ディープニューラルネットワークが受信信号に直接適用した場合に,共同で検出・分離することを学習する統一ジョイントモデル(UJM)を提案する。 ベースバンド(複素数値)RF信号に対する調整されたUNetアーキテクチャを用いて、DTSとUJMを合成および記録された干渉タイプで比較し、キャパシティマッチングされたUJMが、様々な信号と干渉と雑音の比率、干渉タイプ、コンステレーションの順序、例えばミスマッチしたトレーニングや型不確かさの比率を含む、オラクル支援のDTS性能と一致することを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品でありながら,より広い体制下での統一的な分離に向けた新たな方向性を開拓している。

関連論文リスト

• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• Denoised Recommendation Model with Collaborative Signal Decoupling [2.7629252298084026]
  協調フィルタリング (CF) アルゴリズムは, ユーザ・イテム相互作用行列のノイズにより, 最適以下の推薦性能に悩まされる。 本研究では,不安定な相互作用を識別する新しいGNNベースのCFモデル DRCSDを提案する。
  論文  参考訳（メタデータ） (2025-11-06T10:18:02Z)
• DM-SBL: Channel Estimation under Structured Interference [6.94612534055972]
  チャネル推定は通信システムの基本課題であり、効率的な復調に不可欠である。 この研究は、ホワイトガウスノイズ(AWGN)と構造化干渉が共存するより困難なシナリオに対処する。 これらのシナリオにおいて正確なチャネル推定を保証するために、遅延領域内のチャネルの間隔と干渉の複雑な構造を併用する。
  論文  参考訳（メタデータ） (2024-12-07T08:26:00Z)
• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、深層学習手法を利用したデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 本論文の主な貢献は、RF信号データセットであるRF Challengeの導入である。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)

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。