論文の概要: Modulation Consistency-based Contrastive Learning for Self-Supervised Automatic Modulation Classification

• arxiv url: http://arxiv.org/abs/2605.11875v1
• Date: Tue, 12 May 2026 09:52:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.776103
• Title: Modulation Consistency-based Contrastive Learning for Self-Supervised Automatic Modulation Classification
• Title（参考訳）: 自己教師付き自動変調分類のための変調一貫性に基づくコントラスト学習
• Authors: Chenxu Wang, Shuang Wang, Lirong Han, Xinyu Hu, Hanlin Mo, Hantong Xing, Licheng Jiao,
• Abstract要約: Mod-CLは、一貫性に基づくContrastive Learningフレームワークである。 Mod-CLに合わせたコントラスト的目標を策定する。 RadioMLデータセットの実験は、Mod-CLが強いベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 46.82224100332571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based AMC methods have achieved remarkable performance, but their practical deployment remains constrained by the high cost of labeled data. Although self-supervised learning (SSL) reduces the reliance on labels, existing SSL-based AMC methods often rely on task-agnostic pretext objectives misaligned with modulation classification, leading to representations entangled with nuisance factors such as symbol, channel, and noise. In this paper, we identify intra-instance modulation consistency as a task-aware structural prior, whereby different temporal segments of the same signal may differ in waveform while preserving the same modulation type, thus providing a principled cue for task-aligned self-supervision. Based on this prior, we propose Mod-CL, a Modulation consistency-based Contrastive Learning framework that constructs positive pairs from different temporal segments of the same signal instance, to encourage the model to learn shared modulation information while suppressing nuisance variations. We further develop a contrastive objective tailored to Mod-CL, which jointly exploits temporal segmentation and data augmentation to pull together views sharing the same modulation semantics while avoiding supervisory conflicts within each signal instance. Extensive experiments on RadioML datasets show that Mod-CL consistently outperforms strong baselines, especially in low-label regimes, achieving substantial improvements in linear probing accuracy.
• Abstract（参考訳）: 深層学習に基づくAMC手法は優れた性能を達成しているが,その実践的展開はラベル付きデータの高コストに制約されている。 自己教師付き学習(SSL)はラベルへの依存を減らすが、既存のSSLベースのAMCメソッドは、修飾分類とミスマッチしたタスクに依存しない事前文の目的に依存し、シンボル、チャンネル、ノイズなどのニュアンス要因に絡み合った表現につながることが多い。 本稿では,同一信号の時間セグメントが異なる場合,同じ変調型を保ちながら波形が異なる場合があり,タスクアライン・セルフ・スーパービジョンのための原則的キューを提供する。 これに基づいて,変調一貫性に基づくContrastive LearningフレームワークであるMod-CLを提案する。これは同一信号インスタンスの異なる時間セグメントから正のペアを構築することで,ニュアンス変動を抑えながら共有変調情報を学習することをモデルに促す。 さらに,時間的セグメンテーションとデータ拡張を併用して同じ変調セマンティクスを共有するビューを抽出し,各信号インスタンス内のオーバシリコンフリクトを回避するために,Mod-CLに合わせたコントラスト指向のオブジェクトを開発する。 RadioMLデータセットの大規模な実験によると、Mod-CLは、特に低ラベルのレシエーションにおいて、強いベースラインを一貫して上回り、線形探索精度を大幅に向上している。

関連論文リスト

• FB-NLL: A Feature-Based Approach to Tackle Noisy Labels in Personalized Federated Learning [2.750124853532831]
  ユーザクラスタリングを反復的なトレーニングダイナミクスから切り離す機能中心のフレームワークであるFB-NLLを提案する。 我々のフレームワークは、平均精度と性能の安定性の観点から、常に最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-04-21T17:51:58Z)
• MeGU: Machine-Guided Unlearning with Target Feature Disentanglement [73.49657372882082]
  本稿では,概念意識の再調整を通じて学習をガイドする新しいフレームワークを提案する。 MeGUは制御的かつ選択的に忘れることを可能にし、アンダーアンラーニングとオーバーアンラーニングの両方を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-02-19T05:20:31Z)
• Dual-level Modality Debiasing Learning for Unsupervised Visible-Infrared Person Re-Identification [59.59359638389348]
  本稿では,モデルと最適化の両レベルでのデバイアス処理を実装したデュアルレベルのモダリティ・デバイアス学習フレームワークを提案する。 ベンチマークデータセットの実験では、DMDLはモダリティ不変の特徴学習とより一般化されたモデルを可能にすることを示した。
  論文  参考訳（メタデータ） (2025-12-03T12:43:16Z)
• Federated Self-Supervised Learning for Automatic Modulation Classification under Non-IID and Class-Imbalanced Data [18.951106077022672]
  フェデレーション学習は、分散クライアントでのトレーニングによる集中的な集約を避ける。 我々は,クライアント間でのラベルなしI/Qシーケンスに対して,三重項の自己スーパービジョンで因果的・時間分割CNNを訓練し,次いで,小さなラベル付き集合上でのクライアントごとのSVMを学習するFedSSL-AMCを提案する。
  論文  参考訳（メタデータ） (2025-10-06T15:37:15Z)
• Extended Cross-Modality United Learning for Unsupervised Visible-Infrared Person Re-identification [34.93081601924748]
  教師なし学習は、ラベルなしのモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。 既存の手法では、クロスモダリティクラスタリングが欠如し、クラスタレベルの関連性を過度に追求する。 拡張Modality-Camera Clustering (EMCC) と Two-Step Memory Updating Strategy (TSMem) を併用した拡張Modality-Camera Clustering (EMCC) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-26T09:30:26Z)
• Dynamic Online Modulation Recognition using Incremental Learning [6.6953472972255]
  従来のディープラーニング(DL)モデルは、オンラインの動的コンテキストでは不足することが多い。 インクリメンタルラーニング(IL)に基づく変調認識フレームワークは,破滅的な忘れ込みを効果的に防止できることを示す。 その結果、ILに基づく変調認識フレームワークは破滅的な忘れ込みを効果的に防ぎ、モデルが動的シナリオで堅牢に動作できることが示唆された。
  論文  参考訳（メタデータ） (2023-12-07T21:56:26Z)
• Instance-specific and Model-adaptive Supervision for Semi-supervised Semantic Segmentation [49.82432158155329]
  iMAS と呼ばれる半教師付きセマンティックセグメンテーションのためのインスタンス固有およびモデル適応型監視法を提案する。 iMASは、評価された硬さに基づいて、対応する一貫性損失を測定することで、ラベルのないインスタンスから徐々に学習する。
  論文  参考訳（メタデータ） (2022-11-21T10:37:28Z)
• Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
  本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。 BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
  論文  参考訳（メタデータ） (2022-08-22T09:07:02Z)
• SafeAMC: Adversarial training for robust modulation recognition models [53.391095789289736]
  通信システムには、Deep Neural Networks(DNN)モデルに依存する変調認識など、多くのタスクがある。 これらのモデルは、逆方向の摂動、すなわち、誤分類を引き起こすために作られた知覚不能な付加音に影響を受けやすいことが示されている。 本稿では,自動変調認識モデルのロバスト性を高めるために,逆方向の摂動を伴うモデルを微調整する逆方向トレーニングを提案する。
  論文  参考訳（メタデータ） (2021-05-28T11:29:04Z)

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。