論文の概要: DKDNet: Dual Knowledge and Data-Driven Network for Cross-Domain Automatic Modulation Classification

• arxiv url: http://arxiv.org/abs/2607.08031v1
• Date: Thu, 09 Jul 2026 01:14:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.385279
• Title: DKDNet: Dual Knowledge and Data-Driven Network for Cross-Domain Automatic Modulation Classification
• Title（参考訳）: DKDNet:クロスドメイン自動変調分類のためのデュアル知識とデータ駆動ネットワーク
• Authors: Shuang Wang, Chenxu Wang, Hantong Xing, Hanlin Mo, Lirong Han, Licheng Jiao,
• Abstract要約: 我々は,コミュニケーションプロトコルと物理原理を基盤とした信号事前知識を,ドメイン間表現学習を強化する潜在的方法として検討する。 本稿では、まず、異なる信号先行をインスタンス化する5つの一般的な信号表現を解析する。 これに基づいて、クロスドメインAMCに対して、二重知識・データ駆動ネットワーク(DKDNet)を提案する。
• 参考スコア（独自算出の注目度）: 45.220843998540545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dynamics of communication environments induce significant distribution shifts across domains, challenging the generalization of deep learning-based automatic modulation classification (AMC) models. While existing UDA methods alleviate this problem by aligning source and target features, they give limited consideration to modulation-specific structures that remain informative across domain conditions. In this paper, we consider signal prior knowledge, grounded in communication protocols and physical principles, as a potential way to enhance cross-domain representation learning. Given that different priors may vary in modulation discriminability, domain stability, and complementarity, this paper first analyzes five commonly adopted signal representations that instantiate different signal priors. From them, in-phase/quadrature (IQ), amplitude--phase (AP), and autocorrelation function (ACF) are selected as compact prior-guided inputs. Based on that, a dual knowledge and data-driven network (DKDNet) is proposed for cross-domain AMC. The multi-representation feature encoder (MRFE) and dynamic lightweight fusion unit (DLFU) are designed to achieve unified representation learning and adaptive feature fusion, and the resulting fused features are optimized with modulation classification and adversarial domain alignment objectives. Experiments on both simulated and public datasets validate the rationality of the prior selection and demonstrate the superiority of the proposed method.
• Abstract（参考訳）: コミュニケーション環境のダイナミクスはドメイン間の大きな分散シフトを引き起こし、深層学習に基づく自動変調分類(AMC)モデルの一般化に挑戦する。 既存のUDA手法では、ソースとターゲットの特徴を整合させることでこの問題を緩和するが、ドメインの状態を通じて情報的であり続ける変調固有の構造について限定的に考慮する。 本稿では,コミュニケーションプロトコルと物理原理を基盤とした信号事前知識を,ドメイン間表現学習の強化のための潜在的方法として検討する。 本論文は、変調識別性、領域安定性、相補性の違いを考慮し、まず、異なる信号先行をインスタンス化する5つの一般的な信号表現を解析する。 そこから、コンパクトな事前入力として、インフェーズ/クワッドラチャ(IQ)、振幅フェーズ(AP)、自己相関関数(ACF)が選択される。 これに基づいて、クロスドメインAMCに対して、二重知識・データ駆動ネットワーク(DKDNet)を提案する。 多表現特徴エンコーダ(MRFE)と動的軽量融合ユニット(DLFU)は、統一的な表現学習と適応的特徴融合を実現するために設計され、それらの融合特徴は変調分類と対向ドメインアライメントの目的により最適化される。 先行選択の合理性を検証し,提案手法の優越性を実証した。

関連論文リスト

• VFM$^{4}$SDG: Unveiling the Power of VFMs for Single-Domain Generalized Object Detection [33.39250067795076]
  現実のシナリオでは、天気、照明、撮像条件の連続的な変化は、大きなドメインシフトを引き起こす。 一般化オブジェクト検出(SDGOD)のための二元学習フレームワークを提案する。 符号化段階では,オブジェクト・バックグラウンドとインスタンス間モデリングの堅牢性を高めるために,クロスドメイン安定優先蒸留を提案する。 復号段階では,セマンティック・コンテキスト優先型クエリ拡張を提案する。
  論文  参考訳（メタデータ） (2026-04-23T10:04:36Z)
• Log anomaly detection via Meta Learning and Prototypical Networks for Cross domain generalization [0.0]
  本稿では,ログ異常を検出するメタラーニング手法に基づくエンドツーエンドフレームワークを提案する。 提案手法は,Drain3ログ解析機構と動的ドリフトベースラベリング手法を組み合わせることで,まずデータを準備する。 Model Agnostic Meta-Learning (MAML)とPrototypeal Networksモデルは、迅速かつ効果的に適応するように訓練されている。
  論文  参考訳（メタデータ） (2026-01-20T12:09:33Z)
• Cross-Domain Federated Semantic Communication with Global Representation Alignment and Domain-Aware Aggregation [102.51096131854848]
  本研究は,画像再構成作業における意味コミュニケーションシステムの訓練における領域シフトを考慮した最初の試みである。 提案手法は,SNRが1dBの3領域のPSNR値に対して,モデルコントラストFL(MOON)フレームワークを0.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-11-30T03:19:59Z)
• Statistically-Guided Dual-Domain Meta-Learning with Adaptive Multi-Prototype Aggregation for Distributed Fiber Optic Sensing [11.719957656139824]
  本稿では,DFOS 活動識別のための新しいメタ学習フレームワーク DUPLE を提案する。 まず、デュアルドメインのマルチプロトタイプ学習者が時間領域と周波数領域の特徴を融合させ、信号分散シフト下でのモデルの一般化能力を向上する。 第二に、統計ガイドネットワーク(SGN)は、生の統計的特徴からドメインの重要性とプロトタイプの感度を推定し、ラベルのないドメインや目に見えないドメインで学習するためのデータ駆動の事前情報を提供する。 第3に、クエリ対応プロトタイプアグリゲーションモジュールは、関連するプロトタイプを適応的に選択・結合し、限られたデータであっても分類性能を向上させる。
  論文  参考訳（メタデータ） (2025-11-22T03:39:13Z)
• Domain Adaptation via Feature Refinement [0.3867363075280543]
  本稿では,分散シフト下での非教師付きドメイン適応のための簡易かつ効果的なフレームワークであるDAFR(Domain Adaptation via Feature Refinement)を提案する。 提案手法は, ラベルなし対象データを用いたバッチ正規化統計の適応, ソース学習モデルからの特徴蒸留, 仮説伝達の3つの重要な要素を組み合わせた。
  論文  参考訳（メタデータ） (2025-08-22T06:32:19Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• ACDC: Online Unsupervised Cross-Domain Adaptation [15.72925931271688]
  本稿では,非教師付きドメイン適応フレームワークであるACDCを提案する。 ACDCは3つのモジュールを単一のモデルにカプセル化している。特徴を抽出する自動エンコーダ、ドメイン変換を実行する対向モジュール、ソースストリームを学習してターゲットストリームを予測する推定器である。 実験の結果, 基準法よりも目標精度が向上し, 場合によっては10%以上の増加が見られた。
  論文  参考訳（メタデータ） (2021-10-04T11:08:32Z)

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。