論文の概要: Cross-Validated Cross-Channel Self-Attention and Denoising for Automatic Modulation Classification
- arxiv url: http://arxiv.org/abs/2604.10054v1
- Date: Sat, 11 Apr 2026 06:29:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:15.814094
- Title: Cross-Validated Cross-Channel Self-Attention and Denoising for Automatic Modulation Classification
- Title（参考訳）: 自動変調分類のためのクロスバリデーテッドクロスチャネル自己認識とデノイング
- Authors: Prakash Suman, Yanzhen Qu,
- Abstract要約: 目的は、変調クラス分離の損失を軽減する機能保存型デノナイジング手法を開発することである。
チャネル間自己アテンションブロックを組み込んだ深層学習AMCモデルを提案する。
その結果,低および中程度のSNRでは,デノイング深度が頑健性に強く影響することが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study addresses a key limitation in deep learning Automatic Modulation Classification (AMC) models, which perform well at high signal-to-noise ratios (SNRs) but degrade under noisy conditions due to conventional feature extraction suppressing both discriminative structure and interference. The goal was to develop a feature-preserving denoising method that mitigates the loss of modulation class separation. A deep learning AMC model was proposed, incorporating a cross-channel self-attention block to capture dependencies between in-phase and quadrature components, along with dual-path deep residual shrinkage denoising blocks to suppress noise. Experiments using the RML2018.01a dataset employed stratified sampling across 24 modulation types and 26 SNR levels. Results showed that denoising depth strongly influences robustness at low and moderate SNRs. Compared to benchmark models PET-CGDNN, MCLDNN, and DAE, the proposed model achieved notable accuracy improvements across -8 dB to +2 dB SNR, with increases of 3%, 2.3%, and 14%, respectively. Cross-validation confirmed the model's robustness, yielding a mean accuracy of 62.6%, macro precision of 65.8%, macro-recall of 62.6%, and macro-F1 score of 62.9%. The architecture advances interference-aware AMC by formalizing baseband modeling as orthogonal subproblems and introducing cross-channel attention as a generalized complex interaction operator, with ablations confirming the critical role of feature-preserving denoising for robustness at low-to-medium SNR.
- Abstract（参考訳）: 本研究では,高信号-雑音比 (SNR) で良好に機能する深層学習自動変調分類 (AMC) モデルにおいて,従来の特徴抽出によるノイズ条件下での劣化が,識別構造と干渉の両方を抑制する。
目的は、変調クラス分離の損失を軽減する機能保存型デノナイジング手法を開発することである。
位相内および二次成分間の依存性を捉えるためのチャネル横断自己注意ブロックと、雑音を抑制するための2経路深部残留収縮ブロックを組み込んだ深部学習AMCモデルが提案された。
RML2018.01aデータセットを用いた実験では、24の変調タイプと26のSNRレベルにわたる成層サンプリングが用いられた。
その結果,低および中程度のSNRでは,デノイング深度が頑健性に強く影響することが示唆された。
ベンチマークモデルPET-CGDNN, MCLDNN, DAEと比較して, 提案モデルでは, それぞれ3%, 2.3%, 14%の精度で, 8dBから+2dBのSNRで顕著な精度向上を実現した。
クロスバリデーションによりモデルの堅牢性が確認され、平均精度は62.6%、マクロ精度は65.8%、マクロリコールは62.6%、マクロF1スコアは62.9%となった。
アーキテクチャは、ベースバンドモデリングを直交サブプロブレムとして定式化し、クロスチャネルアテンションを一般化された複雑な相互作用演算子として導入することにより干渉認識AMCを前進させる。
関連論文リスト
- Less is More in Semantic Space: Intrinsic Decoupling via Clifford-M for Fundus Image Classification [13.23226865033351]
フィードフォワード展開と周波数分割モジュールを疎幾何学的相互作用で置き換える軽量バックボーンであるClifford-Mを提案する。
プリトレーニングなしでは、Clifford-M は平均 AUC-ROC が 0.8142 で、平均マクロF1 が 0.5481 で、ODIR-5K は 0.85M のパラメータしか持たない。
論文 参考訳（メタデータ） (2026-03-21T13:00:05Z) - Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。
提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
論文 参考訳（メタデータ） (2026-01-12T03:14:12Z) - 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) - Every Attention Matters: An Efficient Hybrid Architecture for Long-Context Reasoning [73.10669391954801]
本稿では、Ring-mini-linear-2.0およびRing-flash-linear-2.0を含むRing-linearモデルシリーズについて述べる。
どちらのモデルも線形アテンションとソフトマックスアテンションを効果的に統合するハイブリッドアーキテクチャを採用している。
32億のパラメータ密度モデルと比較して、このシリーズは推論コストを1/10に削減し、元のRingシリーズと比較すると、コストも50%以上削減される。
論文 参考訳（メタデータ） (2025-10-22T07:59:38Z) - A Lightweight Deep Learning Model for Automatic Modulation Classification using Dual Path Deep Residual Shrinkage Network [0.0]
自動変調分類(AMC)はスペクトル効率を高める上で重要な役割を果たしている。
低複雑性と高い分類精度のバランスをとる軽量AMCモデルの必要性が高まっている。
本稿では,資源制約エッジデバイスに最適化された低複雑さ,軽量深層学習(DL)AMCモデルを提案する。
論文 参考訳（メタデータ） (2025-07-07T00:37:54Z) - Conditional Denoising Diffusion for ISAC Enhanced Channel Estimation in Cell-Free 6G [10.728362890819392]
ISAC (Cell-free Integrated Sensing and Communication) は、第6世代 (6G) ネットワークに革命をもたらすことを目的としている。
チャネル推定は、セルレスISACシステムにおいて、信頼性の高い通信を保証するための重要なステップである。
本稿では, 条件付き騒音拡散モデルにおいて, 感覚情報を重要な入力として活用する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2025-06-07T22:45:21Z) - Edge Detection based on Channel Attention and Inter-region Independence Test [2.8724598079549715]
既存のエッジ検出法は、しばしばノイズ増幅と非塩分詳細の過剰な保持に悩まされる。
本稿では,CAM(Channel Attention Mechanism)とEDIT(Independent Testing)によるエッジ検出を統合した新しいフレームワークであるCAM-EDITを提案する。
CAM-EDITのF測定値は0.635と0.460であり、従来の方法よりも19.2%から26.5%改善している。
論文 参考訳（メタデータ） (2025-05-02T06:30:21Z) - Deep Active Speech Cancellation with Mamba-Masking Network [62.73250985838971]
アクティブ音声キャンセラ(ASC)のための新しい深層学習ネットワークを提案する。
提案したMamba-Maskingアーキテクチャは、符号化された参照信号と直接対話するマスキング機構を導入する。
実験の結果、ANCシナリオでは7.2dB、ASCでは6.2dBの改善が達成された。
論文 参考訳（メタデータ） (2025-02-03T09:22:26Z) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳（メタデータ） (2023-10-03T05:05:35Z) - Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner
Party Transcription [73.66530509749305]
本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。
CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。
RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
論文 参考訳（メタデータ） (2020-04-22T19:08:33Z)
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。