論文の概要: Joint Interference Detection and Identification via Adversarial Multi-task Learning

• arxiv url: http://arxiv.org/abs/2604.08607v1
• Date: Wed, 08 Apr 2026 14:41:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.483485
• Title: Joint Interference Detection and Identification via Adversarial Multi-task Learning
• Title（参考訳）: 逆多タスク学習による共同干渉検出と同定
• Authors: H. Xu, B. He, S. Wang,
• Abstract要約: 対戦型マルチタスク干渉検出・識別ネットワーク(AMTIDIN)について述べる。 AMTIDINは、タスク間の分散不一致を最小限に抑え、タスク相関をモデル化するために適応係数を使用する。 タスク固有のSTLベースラインと最先端のMTLベースラインの両方を、一般化と堅牢性において著しく上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise interference detection and identification are crucial for enhancing the survivability of communication systems in non-cooperative wireless environments. While deep learning (DL) has advanced this field, existing single-task learning (STL) approaches neglect inherent task correlations. Furthermore, emerging multi-task learning (MTL) methods often lack a theoretical foundation for quantifying and modeling task relationships. To bridge this gap, we establish a theoretically grounded MTL framework for joint interference detection, modulation identification, and interference identification. First, we derive an upper bound for the weighted expected loss in MTL frameworks. This bound explicitly connects MTL performance to task similarity, quantified by the Wasserstein distance and learnable task relation coefficients. Guided by this theory, we present the adversarial multi-task interference detection and identification network (AMTIDIN), which integrates adversarial training to minimize distributional discrepancies across tasks and uses adaptive coefficients to model task correlations dynamically. Crucially, we conducted a quantitative analysis of task similarity to reveal intrinsic task relationships, specifically that modulation identification and interference identification share a substantial feature overlap distinct from interference detection. Extensive comparative experiments demonstrate that AMTIDIN significantly outperforms both its task-specific STL baseline and state-of-the-art MTL baselines in robustness and generalization, particularly under challenging conditions with limited training data, short signal lengths, and low signal-to-noise ratios (SNRs).
• Abstract（参考訳）: 非協調的無線環境における通信システムの生存可能性を高めるためには,高精度な干渉検出と識別が不可欠である。 ディープラーニング(DL)はこの分野で進歩しているが、既存のシングルタスク学習(STL)アプローチは固有のタスク相関を無視している。 さらに、新しいマルチタスク学習(MTL)手法は、タスク関係の定量化とモデル化のための理論的基盤を欠いていることが多い。 このギャップを埋めるため、我々は、共同干渉検出、変調同定、干渉識別のための理論的基盤となるMTLフレームワークを構築した。 まず、MTLフレームワークにおける重み付けされた期待損失の上限を導出する。 この境界は、Wasserstein距離と学習可能なタスク関係係数によって定量化され、MTL性能とタスク類似性を明示的に結合する。 本稿では,タスク間の分散の相違を最小化し,適応係数を用いて動的にタスク相関をモデル化する対戦型マルチタスク干渉検出・識別ネットワーク(AMTIDIN)を提案する。 重要な点として,本質的なタスク関係を明らかにするために,タスク類似性の定量的解析を行った。 大規模な比較実験により、ATTIDINはタスク固有のSTLベースラインと最先端のMTLベースラインの両方を、特に訓練データ、短い信号長、低信号-雑音比(SNR)の厳しい条件下で、堅牢性と一般化において著しく上回っていることが示された。

関連論文リスト

• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  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。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• On the Paradoxical Interference between Instruction-Following and Task Solving [50.75960598434753]
  次の命令は、大規模言語モデル(LLM)を、タスクの実行方法に関する明示的な制約を指定することで、人間の意図と整合させることを目的としている。 我々は,LLMのタスク解決能力にパラドックス的に干渉する命令に従うという,直感に反する現象を明らかにした。 本稿では,タスク解決に追従する命令の干渉を定量化する指標として,SUSTAINSCOREを提案する。
  論文  参考訳（メタデータ） (2026-01-29T17:48:56Z)
• Architecture Decoupling Is Not All You Need For Unified Multimodal Model [64.19284951218098]
  本稿では,トレーニング中のタスク-特定マルチモーダルインタラクションパターンを明示的に学習する,意図的インタラクションアライメント(AIA)の損失を提案する。 AIAは、横断的な注意パターンを洗練するだけでなく、生成と理解の両方のパフォーマンスも向上させる。
  論文  参考訳（メタデータ） (2025-11-27T17:55:25Z)
• Diagnosing and Mitigating Modality Interference in Multimodal Large Language Models [26.005367102695317]
  マルチモーダル大規模言語モデルでは,非関連信号とタスク関連情報を区別することが困難である。 無関係なモダリティからの急激な情報は、しばしば大幅な性能低下をもたらすことを示す。 本稿では,摂動と対向的摂動を併用した摂動に基づくデータ拡張を含む,MLLMを微調整する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-05-26T07:31:32Z)
• R-MTLLMF: Resilient Multi-Task Large Language Model Fusion at the Wireless Edge [78.26352952957909]
  マルチタスク大言語モデル(MTLLM)は、ユーザが複数のタスクを効率的に処理するための特殊なモデルを要求する無線エッジにおける多くのアプリケーションにとって重要である。 タスクベクトルによるモデル融合の概念は、MDLLMを生成するための微調整パラメータを組み合わせるための効率的なアプローチとして登場した。 本稿では,最悪の逆攻撃を前提として,エッジユーザがタスクベクトルを介して協調的にMTLMを作成できる問題について検討する。
  論文  参考訳（メタデータ） (2024-11-27T10:57:06Z)
• Optimal Transport Guided Correlation Assignment for Multimodal Entity Linking [20.60198596317328]
  マルチモーダルエンティティリンクは、マルチモーダルなコンテキストにおける曖昧な言及をマルチモーダルな知識グラフ内のエンティティにリンクすることを目的としている。 既存の手法は、自動的に学習された注意重みに大きく依存して、いくつかの局所的な相関機構を試行する。 本稿では,OT-MELを用いた新しいMELフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Addressing Negative Transfer in Diffusion Models [25.457422246404853]
  マルチタスク学習(MTL)は拡散モデルにおいて負の伝達をもたらすことがある。 本稿では,タスクを小さなタスククラスタにクラスタ化し,MTL手法を適用することを提案する。 本研究では,信号対雑音比,時間ステップ,タスク親和性を利用して,動的プログラミングを用いて区間クラスタリングを解くことができることを示す。
  論文  参考訳（メタデータ） (2023-06-01T05:17:07Z)

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。