論文の概要: ELC: Evidential Lifelong Classifier for Uncertainty Aware Radar Pulse Classification

• arxiv url: http://arxiv.org/abs/2604.06958v1
• Date: Wed, 08 Apr 2026 11:20:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.495203
• Title: ELC: Evidential Lifelong Classifier for Uncertainty Aware Radar Pulse Classification
• Title（参考訳）: ELC(Evidential Lifelong Classificationifier for Uncertainty Aware Radar Pulse Classification)
• Authors: Mohamed Rabie, Chinthana Panagamuwa, Konstantinos G. Kyriakopoulos,
• Abstract要約: ディープニューラルネットワークはレーダーパルスとエミッタRF認識において強い性能を示している。 本稿では,不確実性定量化と生涯学習を統合し,両課題に対処する。
• 参考スコア（独自算出の注目度）: 0.5097809301149341
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable radar pulse classification is essential in Electromagnetic Warfare for situational awareness and decision support. Deep Neural Networks have shown strong performance in radar pulse and RF emitter recognition; however, on their own they struggle to efficiently learn new pulses and lack mechanisms for expressing predictive confidence. This paper integrates Uncertainty Quantification with Lifelong Learning to address both challenges. The proposed approach is an Evidential Lifelong Classifier (ELC), which models epistemic uncertainty using evidence theory. ELC is evaluated against a Bayesian Lifelong Classifier (BLC), which quantifies uncertainty through Shannon entropy. Both integrate Learn-Prune-Share to enable continual learning of new pulses and uncertainty-based selective prediction to reject unreliable predictions. ELC and BLC are evaluated on 2 synthetic radar and 3 RF fingerprinting datasets. Selective prediction based on evidential uncertainty improves recall by up to 46% at -20 dB SNR on synthetic radar pulse datasets, highlighting its effectiveness at identifying unreliable predictions in low-SNR conditions compared to BLC. These findings demonstrate that evidential uncertainty offers a strong correlation between confidence and correctness, improving the trustworthiness of ELC by allowing it to express ignorance.
• Abstract（参考訳）: 信頼性の高いレーダーパルス分類は、状況認識と意思決定支援のために電磁戦において不可欠である。 ディープニューラルネットワークは、レーダーパルスとRFエミッター認識において強い性能を示しているが、彼ら自身では、新しいパルスを効率的に学習し、予測信頼性を表現するメカニズムを欠いている。 本稿では,不確実性定量化と生涯学習を統合し,両課題に対処する。 提案手法はEvidential Lifelong Classifier (ELC) であり、エビデンス理論を用いてててんかんの不確かさをモデル化する。 ELCは、シャノンエントロピーを介して不確実性を定量化するベイズ寿命分類器(BLC)に対して評価される。 どちらもLearn-Prune-Shareを統合して、新しいパルスの連続的な学習と不確実性に基づく選択予測を可能にし、信頼性の低い予測を拒否する。 ELCとBLCは2つの合成レーダと3つのRFフィンガープリントデータセットで評価された。 明らかな不確実性に基づく選択予測は、合成レーダパルスデータセット上での-20dB SNRでのリコールを最大46%改善し、BLCと比較して低SNR条件における信頼性の低い予測を識別する効果を強調した。 これらの結果から, 明らかな不確実性は信頼性と正当性の間に強い相関関係を示し, 無知を表わすことでLCCの信頼性を向上させることが示唆された。

関連論文リスト

• Identifying and Transferring Reasoning-Critical Neurons: Improving LLM Inference Reliability via Activation Steering [50.63386303357225]
  本稿では,ニューロンの活性化に選択的に介入することで推論信頼性を向上させる軽量なテストタイムフレームワークであるAdaRASを提案する。 AdaRASは、極性を意識した平均差基準を介してReasoning-Critical Neurons(RCN)を特定し、推論中にアクティベーションを適応的に制御する。 10の数学およびコーディングベンチマークの実験では、AIME-24とAIME-25の13%以上のゲインを含む一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-27T17:53:01Z)
• Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
  本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。 CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-14T12:31:28Z)
• Credal and Interval Deep Evidential Classifications [7.698175457686475]
  人工知能(AI)分野における不確実性定量化(UQ)の課題 分類タスクにおけるUQに対処するための新しいアプローチとして,Credal and Interval Deep Evidential Classifications (CDEC, IDEC) を紹介する。
  論文  参考訳（メタデータ） (2025-12-05T08:37:32Z)
• Towards Trustworthy Vital Sign Forecasting: Leveraging Uncertainty for Prediction Intervals [32.233133404873016]
  本稿では,不確実性評価(Restruction Uncertainty Estimate, RUE)からPIを導出する2つの手法を提案する。 これらの手法を、高頻度および低頻度の健康信号を表わし、分・時間レベルのサンプリングを施した2つの大規模公共データセット上で評価した。
  論文  参考訳（メタデータ） (2025-09-01T10:03:26Z)
• Enhancing Uncertainty Estimation and Interpretability via Bayesian Non-negative Decision Layer [55.66973223528494]
  本研究では, ディープニューラルネットワークを条件付きベイズ非負因子分析として再構成したベイズ非負決定層(BNDL)を開発した。 BNDLは複雑な依存関係をモデル化し、堅牢な不確実性推定を提供する。 また,BNDLが効果的に不整合学習を達成できるという理論的保証も提供する。
  論文  参考訳（メタデータ） (2025-05-28T10:23:34Z)
• Trust, or Don't Predict: Introducing the CWSA Family for Confidence-Aware Model Evaluation [0.0]
  信頼性重み付き選択精度(CWSA)と正規化変種CWSA+を紹介する。 CWSAは、信頼しきい値の下で予測モデルを評価するための原則的で解釈可能な方法を提供する。 CWSAとCWSA+は、信頼度の高いテストにおいて、ニュアンスド障害モードを効果的に検出し、古典的な指標より優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-24T10:07:48Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Investigation of Uncertainty of Deep Learning-based Object Classification on Radar Spectra [8.797293761152604]
  ディープラーニング(DL)は、自動車レーダのオブジェクトタイプ分類を改善することへの関心が高まっている。 現在のDL研究は、予測の不確実性を定量化する方法について研究している。 本稿では,これらの手法が安全で自動車のレーダ認識に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-01T09:50:19Z)
• Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via Higher-Order Influence Functions [121.10450359856242]
  我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。 1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
  論文  参考訳（メタデータ） (2020-06-29T13:36:52Z)
• Adversarial Robustness on In- and Out-Distribution Improves Explainability [109.68938066821246]
  RATIOは、Adversarial Training on In- and Out-distriionを通じて、堅牢性のためのトレーニング手順である。 RATIOはCIFAR10で最先端の$l$-adrialを実現し、よりクリーンな精度を維持している。
  論文  参考訳（メタデータ） (2020-03-20T18:57:52Z)

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。