論文の概要: Edge-Efficient Transformer for End-to-End RF Spectrum Monitoring
- arxiv url: http://arxiv.org/abs/2607.18285v1
- Date: Tue, 30 Jun 2026 09:19:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.107138
- Title: Edge-Efficient Transformer for End-to-End RF Spectrum Monitoring
- Title（参考訳）: 終端RFスペクトルモニタリングのためのエッジ効率変換器
- Abstract要約: E-SpecFormer (Edge Spectrum Monitoring Transformer) をエンドツーエンドの自動変調・隠蔽チャネル(CC)認識のために提案する。
E-SpecFormerは、さまざまなハードウェア制約を満たすために、4つのスケーラブルなバリエーション(Nano、Small、Medium、Large)でパラメータ化されている。
これらの結果は、IoT(Internet of Things)デバイス上でのリアルタイムスペクトルインテリジェンスのためのエッジ効率のソリューションとして、E-SpecFormerを確立する。
- 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: We present E-SpecFormer (Edge Spectrum monitoring Transformer) for end-to-end automatic modulation and covert channel (CC) recognition. We introduce LiTAN (Linear Tanh Attention Network), a Softmax- and LayerNorm-free attention mechanism that reduces complexity while increasing accuracy in RF tasks. E-SpecFormer is parameterized in four scalable variants (Nano, Small, Medium, Large) to accommodate diverse hardware constraints. Using the RadioML2018 dataset for modulation recognition, the Nano variant achieves 86.5% average accuracy for Signal-to-Noise Ratios (SNRs)>0 dB, and on the hardware Trojan (HT)-based CC dataset it reaches 94.2% accuracy, both with fewer than 10k parameters and up to speed of 92 μs per frame on FPGA/CPU co-execution, surpassing state-of-the-art edge models at a fraction of their cost. These results establish E-SpecFormer as an edge-efficient solution for real-time spectrum intelligence on Internet of Things (IoT) devices. GitHub link to the repository: https://github.com/zsniko/E-SpecFormer.
- Abstract（参考訳）: E-SpecFormer (Edge Spectrum Monitoring Transformer) をエンドツーエンドの自動変調・隠蔽チャネル(CC)認識のために提案する。
RFタスクの精度を高めながら複雑さを低減するソフトマックスおよびレイヤーノームフリーアテンション機構であるLiTAN(Linear Tanh Attention Network)を導入する。
E-SpecFormerは、さまざまなハードウェア制約を満たすために、4つのスケーラブルなバリエーション(Nano、Small、Medium、Large)でパラメータ化されている。
RadioML2018データセットを変調認識に使用したNano variantは、SNR(Signal-to-Noise Ratios)>0 dBの平均精度86.5%を達成し、ハードウェアのTrojan(HT)ベースのCCデータセットでは、その精度は94.2%に達した。
これらの結果は、IoT(Internet of Things)デバイス上でのリアルタイムスペクトルインテリジェンスのためのエッジ効率のソリューションとして、E-SpecFormerを確立する。
GitHubのリポジトリへのリンク: https://github.com/zsniko/E-SpecFormer.com。
関連論文リスト
- Hardware-aware quantum attention for fast radio burst identification [25.68570165729363]
高速電波バースト (FRB) はミリ秒周期の銀河外パルスである。
我々は、生のサーチモードPSRFITSデータを動的スペクトルセグメントに変換するパイプラインを開発した。
ハイブリッド量子ビジョン変換器を用いてFRBライクな信号を特定する。
論文 参考訳（メタデータ） (2026-09-14T06:38:51Z) - Multi-Stage Mamba-Based Architecture for Fast and Scalable Superconducting Qubit Readout [2.7180447022087932]
超伝導量子プロセッサでは、リードアウト演算はエラーを起こしやすく、高レイテンシである。
Mambaモデルに基づく多段量子状態判別器を提案する。
本モデルでは, 平均読み出し精度が0.906であり, 最良報告の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2026-07-13T15:12:07Z) - DAStatFormer: A Hybrid Multibranch Transformer with Statistical Feature Integration for DAS-Based Pattern Recognitions [0.19573380763700718]
DAStatFormerは、コンパクトなマルチドメイン統計特徴とGated Transformer Networksを組み合わせたハイブリッドマルチブランチトランスフォーマーである。
99.4%の精度とほぼ完璧な実世界のパフォーマンスを実現している。
これらの結果は、分散リアルタイムDASベースのモニタリングに適していることを示す。
論文 参考訳（メタデータ） (2026-05-22T13:58:37Z) - Spectral Gating Networks [65.9496901693099]
我々は、フィードフォワードネットワークに周波数リッチな表現性を導入するために、スペクトルゲーティングネットワーク(SGN)を導入する。
SGNは、標準活性化経路をコンパクトなスペクトル経路と学習可能なゲートで拡張し、安定したベース動作からモデルを開始することができる。
計算予算に匹敵する精度と効率のトレードオフを継続的に改善する。
論文 参考訳（メタデータ） (2026-02-07T20:00:49Z) - LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。
本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。
本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
論文 参考訳（メタデータ） (2026-01-18T12:08:38Z) - LPCAN: Lightweight Pyramid Cross-Attention Network for Rail Surface Defect Detection Using RGB-D Data [0.0]
本稿では,現在のビジョンに基づくレール欠陥検出手法の限界に対処する。
本稿では,RGB-Dデータを利用した軽量ピラミッドクロスアテンションネットワーク(LPCANet)を提案する。
LPCANetは990万のパラメータ、2.50GのFLOP、162.60fpsの推論速度で最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-01-14T03:35:09Z) - Neural-HAR: A Dimension-Gated CNN Accelerator for Real-Time Radar Human Activity Recognition [5.400353553418959]
本稿では,資源制約のあるプラットフォーム上でのリアルタイムレーダHARに適した次元ゲート型CNNアクセラレータを提案する。
GateCNNの精度は86.4%で、パラメータは2.7kで、推論あたり0.28M FLOPはCNN-BiGRUに匹敵する。
Xilinx Zynq-7000 Z-7007SのFPGAプロトタイプは、LUTベースのROMと分散RAMのみを使用した107.5$mu$sレイテンシと15mWのダイナミックパワーを実現しました。
論文 参考訳（メタデータ） (2025-10-26T17:42:28Z) - SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。
本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。
実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-05-02T04:06:39Z) - Quasar-ViT: Hardware-Oriented Quantization-Aware Architecture Search for Vision Transformers [56.37495946212932]
視覚変換器(ViT)は、畳み込みニューラルネットワーク(CNN)と比較して、コンピュータビジョンタスクにおいて優れた精度を示す。
ハードウェア指向の量子化対応アーキテクチャ検索フレームワークであるQuasar-ViTを提案する。
論文 参考訳（メタデータ） (2024-07-25T16:35:46Z) - Modulation Classification Through Deep Learning Using Resolution
Transformed Spectrograms [3.9511559419116224]
畳み込みニューラルネットワーク(CNN)の近代的アーキテクチャを用いた自動変調分類(AMC)手法を提案する。
我々は、受信したI/Qデータから99.61%の計算負荷削減と8倍の高速変換をもたらす分光器の分解能変換を行う。
この性能は、SqueezeNet、Resnet-50、InceptionResnet-V2、Inception-V3、VGG-16、Densenet-201といった既存のCNNモデルで評価される。
論文 参考訳（メタデータ） (2023-06-06T16:14:15Z) - EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。
我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。
私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
論文 参考訳（メタデータ） (2023-02-15T06:05:14Z) - Non-Parametric Adaptive Network Pruning [125.4414216272874]
アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。
顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。
EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
論文 参考訳（メタデータ） (2021-01-20T06:18:38Z)
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。