論文の概要: Uncertainty-Aware Multi-Task Learning for Joint Modulation Recognition and SINR Estimation
- arxiv url: http://arxiv.org/abs/2608.28865v1
- Date: Fri, 28 Aug 2026 21:06:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.771103
- Title: Uncertainty-Aware Multi-Task Learning for Joint Modulation Recognition and SINR Estimation
- Title（参考訳）: 共同変調認識とSINR推定のための不確実性を考慮したマルチタスク学習
- Abstract要約: 共同変調認識と信号対干渉+雑音比推定は、インテリジェント受信機における重複処理を減らすことができる。
このレターでは、各短い正規化内位相/四分数ウィンドウを36個の決定論的・ラベルなし統計に変換する不確実性を考慮したマルチタスクモデルを提案する。
共同不確実性スコアは、分類エントロピーと予測回帰分散を組み合わせた選択推論をサポートする。
- 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: Joint modulation recognition and signal-to-interference-plus-noise ratio (SINR) estimation can reduce duplicated processing in intelligent receivers, but the two tasks have different uncertainty characteristics. This letter proposes an uncertainty-aware multi-task model that transforms each short normalized in-phase/quadrature window into 36 deterministic, label-free statistics, learns a shared representation, and uses task-specific adapters for modulation classification and heteroscedastic SINR regression. A joint uncertainty score combines classification entropy and predicted regression variance to support selective inference. Simulations cover QPSK, 8PSK, 16QAM, and 64QAM under matched additive white Gaussian noise/Rayleigh channels and an unseen frequency-selective Rician channel. Over five independent seeds, the proposed model improves matched and unseen-channel accuracy over conventional multi-task learning by 14.86 and 8.61 percentage points, respectively, while reducing SINR mean absolute error by 1.60 and 1.61 dB. Confidence-based rejection further lowers modulation error under channel mismatch.
- Abstract（参考訳）: 統合変調認識とSINR推定は、知的受信機における重複処理を低減できるが、2つのタスクは異なる不確実性特性を有する。
本稿では,各短い正規化内位相/四分数ウィンドウを36個の決定論的・ラベルなし統計に変換する不確実性を考慮したマルチタスクモデルを提案し,共有表現を学習し,タスク固有アダプタを用いて変調分類とヘテロセダスティックSINR回帰を行う。
共同不確実性スコアは、分類エントロピーと予測回帰分散を組み合わせた選択推論をサポートする。
QPSK, 8PSK, 16QAM, 64QAMを付加的な白色ガウス雑音/レイリーチャネルと未知の周波数選択リシアンチャネルでカバーする。
従来のマルチタスク学習の精度を14.86ポイント,8.61ポイント向上し,SINR平均絶対誤差を1.60dB,1.61dB削減した。
信頼に基づく拒絶は、チャネルミスマッチ時の変調誤差をさらに減少させる。
関連論文リスト
- CUSP: Decomposable Collective Uncertainty for Multi-Agent Multimodal Reasoning [6.428392127849263]
本稿では,複数のVLM応答を共有意味応答空間にマッピングする訓練不要不確実性フレームワークCUSPを提案する。
本稿では,集合的不確実性,プール化意見の分散,ジェンセン・シャノン発散(JSD)の2つの相補的システムレベル信号について報告する。
静的なマルチVLMアンサンブルでは、集合的不確実性は小モデル状態において最強の信号である。
論文 参考訳（メタデータ） (2026-09-04T20:27:47Z) - Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。
本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。
我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。
スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文 参考訳（メタデータ） (2026-08-25T15:07:11Z) - Unscented KalmanNet: Structure-Preserving Deep Learning with Calibrated Posterior Uncertainty under Incomplete Physics and Unknown Noise [3.3318820340878528]
既存の学習支援フィルタは、精度と不確かさを別々に扱う。
本稿では、Unscented Kalman Filter(UKF)を拡張したモデルベースディープラーニングアーキテクチャであるUnscented KalmanNet(UKN)を紹介する。
UKNは4つの例の中で最も低い状態推定誤差を達成し、合成ケースではUKFと比較してRMSEを26.4-49.7%削減する。
論文 参考訳（メタデータ） (2026-08-04T19:58:01Z) - Cross-Validated Cross-Channel Self-Attention and Denoising for Automatic Modulation Classification [0.0]
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。
論文 参考訳（メタデータ） (2026-04-11T06:29:12Z) - How Independent are Large Language Models? A Statistical Framework for Auditing Behavioral Entanglement and Reweighting Verifier Ensembles [46.63622714488747]
共有事前学習データ、蒸留、アライメントパイプラインは、隠れた振る舞い依存、潜伏絡みを誘導することができる。
実際には、これは相関した推論パターンと同期された障害として現れます。
ブラックボックス言語モデル間の行動絡みを監査するための統計的枠組みを開発する。
論文 参考訳（メタデータ） (2026-04-08T23:32:06Z) - ACAR: Adaptive Complexity Routing for Multi-Model Ensembles with Auditable Decision Traces [3.151184728006369]
本稿では,聴覚条件下でのマルチモデルオーケストレーションのための測定フレームワークACARを提案する。
ACARは、N=3プローブサンプルから計算した自己整合分散(sigma)を使用して、単一モデル、2モデル、3モデル実行モードでタスクをルーティングする。
我々は4つのベンチマークにまたがる1,510のタスクに対してACARを評価し、7,550以上の監査可能な実行を生成した。
論文 参考訳（メタデータ） (2026-02-06T23:27:17Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。
時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。
SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
論文 参考訳（メタデータ） (2026-01-19T07:42:45Z) - 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) - Geometric Calibration and Neutral Zones for Uncertainty-Aware Multi-Class Classification [0.0]
この研究は情報幾何学と統計的学習を橋渡しし、厳密な検証を必要とするアプリケーションにおいて不確実性を認識した分類の正式な保証を提供する。
アデノ関連ウイルスの分類に関する実証的な検証は、2段階のフレームワークが72.5%のエラーをキャプチャし、34.5%のサンプルを遅延させ、自動決定エラー率を16.8%から6.9%に下げていることを示している。
論文 参考訳（メタデータ） (2025-11-26T01:29:49Z) - Efficient semantic uncertainty quantification in language models via diversity-steered sampling [46.23327887393273]
本稿では,デコード中に意味的に冗長な出力を回避できるダイバーシティステアリング・サンプリング手法を提案する。
主要なアイデアは、モデルの提案分布に連続的な意味-類似性ペナルティを注入することである。
モジュラーであり、ベースLSMへの勾配アクセスを必要としないため、このフレームワークは不確実性評価のためのドロップインエンハンスメントとして機能することを約束している。
論文 参考訳（メタデータ） (2025-10-24T10:06:21Z) - Leveraging Heteroscedastic Uncertainty in Learning Complex Spectral
Mapping for Single-channel Speech Enhancement [20.823177372464414]
ほとんどの音声強調(SE)モデルは、ポイント推定を学習し、学習過程における不確実性推定を利用しない。
本研究では,多変量ガウス陰性ログ類似度 (NLL) を最小化することにより,SE性能を余分なコストで向上させることにより,ヘテロスセダスティック不確実性をモデル化できることを示す。
論文 参考訳（メタデータ） (2022-11-16T02:29:05Z)
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。