論文の概要: Dualformer: Efficient Feature Extractor for Complex-valued Blind Communication Signal Analysis

• arxiv url: http://arxiv.org/abs/2606.31352v1
• Date: Tue, 30 Jun 2026 08:49:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.14577
• Title: Dualformer: Efficient Feature Extractor for Complex-valued Blind Communication Signal Analysis
• Title（参考訳）: Dualformer:複素数値ブラインド通信信号解析のための効率的な特徴エクストラクタ
• Authors: Yurui Zhao, Xiang Wang, Jingreng Lei, Wanlong Zhang, Yik-Chung Wu, Zhitao Huang,
• Abstract要約: 本稿では、IQチャネル間のパラメータ共有により、複素数値信号を効率的に活用するデュアルチャネルニューラルネットワーク(DualNN)を提案する。 従来の実数値モデルや複素値モデルとは異なり、DualNNは、複素値信号の実部と虚部を処理するためのネットワークパラメータを共有する、画期的なフレームワークである。
• 参考スコア（独自算出の注目度）: 20.436783567450206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing effective feature extractors is critical for blind signal analysis tasks such as automatic modulation recognition (AMR), signal scheme recognition (SSR), and \color{black} signal structure parsing (SSP). In this work, we propose dual-channel neural network (DualNN) that efficiently exploits complex-valued signals through parameter sharing across IQ channels. Unlike traditional real-valued or complex-valued models, DualNN is a groundbreaking framework which shares the network parameters for processing the real and imaginary parts of the complex-valued signals, and is theoretically shown to reduce generalization error while preserving expressive capacity. Specifically, we propose a novel Transformer-based architecture to implement DualNN, called Dualformer. The Dualformer segments input signals into patch-level tokens and captures multi-granularity features, enabling robust performance across diverse signal analysis tasks. Furthermore, we conduct extensive experiments comparing Dualformer with three Transformer-based baselines and four conventional DL-based approaches. Results demonstrate consistent performance improvements on AMR, SSR, and SSP tasks. Besides, the modular design of DualNN allows it to generalize well to blind signal processing tasks such as blind source separation and low-SNR spectrum sensing. This work paves the way for a broader application of DualNN architectures in unsupervised and weakly supervised complex-valued signal analysis scenarios.
• Abstract（参考訳）: 効率的な特徴抽出器の設計は、自動変調認識(AMR)、信号スキーム認識(SSR)、色{black}信号構造解析(SSP)などの盲点信号解析タスクにおいて重要である。 本研究では、IQチャネル間のパラメータ共有により、複素数値信号を効率的に活用するデュアルチャネルニューラルネットワーク(DualNN)を提案する。 従来の実数値モデルや複素値モデルとは異なり、DualNNは複素値信号の実部と虚部を処理するためのネットワークパラメータを共有する基盤となるフレームワークであり、表現能力を維持しながら一般化誤差を低減することが理論的に示されている。 具体的には、DualNNを実装した新しいTransformerベースのアーキテクチャDualformerを提案する。 Dualformerは、入力信号をパッチレベルのトークンに分割し、複数の粒度の特徴をキャプチャすることで、多様な信号解析タスク間で堅牢なパフォーマンスを実現する。 さらに、Dualformerを3つのTransformerベースラインと4つの従来のDLベースアプローチと比較した広範な実験を行った。 結果は、AMR、SSR、SSPタスクにおける一貫したパフォーマンス改善を示す。 さらに、DualNNのモジュラ設計により、ブラインドソース分離や低SNRスペクトルセンシングといったブラインド信号処理タスクをうまく一般化することができる。 この研究は、教師なしで弱教師付き複合価値信号分析シナリオにおいて、より広範なDualNNアーキテクチャの応用の道を開くものである。

関連論文リスト

• Implicit Neural Representations: A Signal Processing Perspective [54.57279006229212]
  入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。 本稿では、信号処理の観点からのINRの進化を考察し、スペクトル挙動、サンプリング理論、マルチスケール表現を強調する。 医療・レーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用分野におけるINRの有用性を強調した。
  論文  参考訳（メタデータ） (2026-04-16T14:12:06Z)
• Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
  本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。 我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2026-02-18T10:20:50Z)
• Scaling Implicit Fields via Hypernetwork-Driven Multiscale Coordinate Transformations [0.0]
  Inlicit Neural Representations (INR)は、画像、3次元形状、符号付き距離場、放射場などの信号を表現するための強力なパラダイムとして登場した。 この研究は、ハイパーネットワークを用いて信号適応座標変換を学習することにより、表現ボトルネックを破る新しいINRのクラスであるHyper-Coordinate Implicit Neural Representations (HC-INR)を導入している。
  論文  参考訳（メタデータ） (2025-11-23T10:27:04Z)
• Fast State-Augmented Learning for Wireless Resource Allocation with Dual Variable Regression [83.27791109672927]
  本稿では,資源割当ポリシに対する状態拡張グラフニューラルネットワーク(GNN)のパラメトリゼーションが,ユビキタスな二段階的手法の欠点を回避する方法を示す。 ラグランジアンによる国家拡張政策の最大化は、オフライントレーニングフェーズ中に学習される。 収束結果と指数確率は、双対函数(有限値)最適性ギャップの剰余に縛られることを証明する。
  論文  参考訳（メタデータ） (2025-06-23T15:20:58Z)
• Novel Deep Neural OFDM Receiver Architectures for LLR Estimation [1.2499537119440243]
  チャネル推定と等化処理を行う2つのOFDM受信機を提案する。 シミュレーションの結果,DATとRDNLAは従来の通信システムと既存のニューラルレシーバモデルの両方より優れていた。
  論文  参考訳（メタデータ） (2025-03-26T12:39:56Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Implementing Neural Network-Based Equalizers in a Coherent Optical Transmission System Using Field-Programmable Gate Arrays [3.1543509940301946]
  我々は、コヒーレント光伝送システムにおける非線形性補償のための、リカレントおよびフィードフォワードニューラルネットワーク(NN)ベースの等化器のオフラインFPGA実現について述べる。 主な結果は、性能比較、アクティベーション関数の実装方法の分析、ハードウェアの複雑さに関するレポートの3つに分けられる。
  論文  参考訳（メタデータ） (2022-12-09T07:28:45Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)

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。