論文の概要: Overcoming Catastrophic Forgetting: Continual Learning for Radar Waveform Classification
- arxiv url: http://arxiv.org/abs/2610.18404v1
- Date: Tue, 13 Oct 2026 13:49:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 21:31:48.848469
- Title: Overcoming Catastrophic Forgetting: Continual Learning for Radar Waveform Classification
- Title（参考訳）: 破滅的予測の克服--レーダ波形分類のための継続的な学習
- Abstract要約: 破滅的な予測は、新しい波形を学習する際に起こる。
本研究は,レーダ波形認識のための連続学習の大規模ベンチマークとして最初のものである。
- 参考スコア（独自算出の注目度）: 0.5097809301149341
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated radar waveform recognition classifies the waveform and modulation type of a received signal. As new waveform variants appear over time, a deployed classifier must learn them without retraining from scratch. Catastrophic Forgetting occurs when learning new waveforms overwrites prior knowledge. Continual Learning (CL) methods tackle this challenge, but prior radar studies only evaluate a few methods on narrow benchmarks. Practitioners lack evidence on which method to deploy or which mechanisms are effective. This work presents the first large-scale benchmark of continual learning for radar waveform recognition. Eighteen CL methods are evaluated on a sequential ten-task problem, drawn from four public datasets spanning 54 waveforms, under task- and class-incremental (TIL, CIL) settings and single- and multi-epoch regimes. Methods that retain data from old tasks lead both TIL and CIL settings. Plain replay alone closes 77-88% of the gap between the lower and upper practical limits under TIL, but only 46-55% under CIL. The internal mechanisms of the leading methods are ablated and statistically tested to identify effective mechanisms. Each ablation is paired against its full method over n=6 training seeds, topped up to n=12 when inconclusive, and p-values are Holm-Bonferroni corrected within each method's family. Ablation results show that several mechanisms confer smaller but statistically significant gains. Combining these mechanisms improves the leading F1 score by 3.4-5.5% and 2.7-4.9% under TIL and CIL, respectively, and the combined models exceed every benchmarked method in both settings for all SNRs. These results give researchers of radar waveform classification systems a mechanism-level basis for design.
- Abstract（参考訳）: 自動レーダー波形認識は受信信号の波形と変調タイプを分類する。
新しい波形変種が時間とともに現れるため、デプロイされた分類器は、スクラッチから再トレーニングすることなくそれらを学ぶ必要がある。
破滅的な予測は、新しい波形の学習が事前の知識を上書きする際に起こる。
連続学習(CL)手法はこの課題に対処するが、従来のレーダー研究は狭いベンチマークでのみいくつかの手法を評価する。
実践者は、どのメソッドをデプロイするか、どのメカニズムが効果的かを示す証拠を欠く。
本研究は,レーダ波形認識のための連続学習の大規模ベンチマークとして最初のものである。
タスクおよびクラスインクリメンタル(TIL, CIL)設定下で,54の波形にまたがる4つの公開データセットと,単一およびマルチエポックなシステマティクスに基づいて,連続的な10タスク問題に基づいて評価を行った。
古いタスクからのデータを保持するメソッドは、TILとCILの設定の両方を導く。
通常のリプレイだけでは、TILの下限と上限のギャップの77～88%を閉じるが、CILの下限は46～55%に過ぎない。
先行する手法の内部メカニズムは、有効メカニズムを識別するために短縮され、統計的に検証される。
それぞれのアブレーションは、n=6の訓練種子よりも完全な方法と組み合わせられ、不確定な場合にはn=12まで上昇し、p-値は各メソッドのファミリー内で補正されるホルム・ボンフェロニである。
アブレーションの結果は、いくつかのメカニズムがより小さいが統計的に有意な利得を示すことを示している。
これらのメカニズムを組み合わせることで、主要なF1スコアは3.4-5.5%向上し、TILとCILでは2.7-4.9%向上した。
これらの結果は、レーダー波形分類システムの研究者に設計のメカニズムレベルの基礎を与える。
関連論文リスト
- Survey of Novel Deep Learning Architectures for Denoising Gravitational-wave Signals [0.0]
重力波デノジングのための5つのニューラルネットワークアーキテクチャの制御された最初の比較について述べる。
我々は、全天体物理学的に動機づけられた回転二乗ブラックホールパラメータ空間を同時に訓練する。
ネットワーク構造とコリケーションのスペクトル解剖との整合性は、ブルートフォースモデルスケーリングよりも優れる。
論文 参考訳（メタデータ） (2026-09-07T18:00:10Z) - Toward Reliable Machine Unlearning: Theory, Algorithms, and Evaluation [1.7767466724342065]
本稿では,SOTA MIAスコアに基づく画像分類の最先端手法を超越したAdrial Machine UNlearning(AMUN)を提案する。
既存の手法は、最寄りの会員推定攻撃(MIA-NN)を導入して、再訓練されたモデルの動作を再現できないことを示す。
そこで我々は,スクラッチから再学習したモデルが生成する残りのクラスに対する分布を,クラス入力に対して近似することで,このリークを緩和する微調整対象を提案する。
論文 参考訳（メタデータ） (2025-12-07T20:57:25Z) - Cross-Attention with Confidence Weighting for Multi-Channel Audio Alignment [5.380078543698624]
マルチチャンネルオーディオアライメントは、生体音響モニタリング、空間オーディオシステム、音響ローカライゼーションにおいて重要な要件である。
マルチチャンネル音声同期を改善するために,クロスアテンション機構と信頼度重み付けスコアリングを組み合わせた手法を提案する。
提案手法は,BioDCASE 2025 Task 1 チャレンジにおいて,ディープラーニングベースラインの 0.58 に対して,テストデータセットの平均 0.30 MSE で1位となった。
論文 参考訳（メタデータ） (2025-09-21T05:14:06Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - What to Remember: Self-Adaptive Continual Learning for Audio Deepfake
Detection [53.063161380423715]
既存の検出モデルは、既知のディープフェイク音声を識別することに成功したが、新しい攻撃タイプに遭遇する際には苦労している。
本稿では,Radian Weight Modification (RWM) と呼ばれる連続的な学習手法を提案する。
論文 参考訳（メタデータ） (2023-12-15T09:52:17Z) - RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。
本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2023-07-05T12:49:02Z) - Learning Phone Recognition from Unpaired Audio and Phone Sequences Based
on Generative Adversarial Network [58.82343017711883]
そこで本研究では,不適切な音声系列や発話から直接学習する方法について検討する。
GAN訓練を第1段階に導入し,無声音声と音声シーケンスのマッピング関係を求める。
第2段階では、発電機の出力からトレーニングするために別のHMMモデルが導入され、性能が向上する。
論文 参考訳（メタデータ） (2022-07-29T09:29:28Z) - Mitigating the Mutual Error Amplification for Semi-Supervised Object
Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。
他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文 参考訳（メタデータ） (2022-01-26T03:34:57Z) - Scalable End-to-End RF Classification: A Case Study on Undersized
Dataset Regularization by Convolutional-MST [0.0]
マルチステージトレーニングに基づく新たな深層学習手法を提案し、RFセンシング信号分類について実証する。
トレーニングでは,最大17種類のクラスに対して,最大99%の精度を継続的に達成し,標準のDLアプローチよりも最大35%の精度向上を実現した。
論文 参考訳（メタデータ） (2021-04-25T08:41:52Z) - A novel multi-classifier information fusion based on Dempster-Shafer
theory: application to vibration-based fault detection [0.0]
個別分類器の性能を高めるために, 新規な多重分類器融合法を開発した。
証拠間の衝突を計測し緩和するために、新しい計量に基づく前処理技術が考案された。
論文 参考訳（メタデータ） (2020-12-04T09:16:35Z)
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。