論文の概要: Deep Meets Classical: A CPU-Efficient Decision-Fusion Model for Automatic Modulation Classification

• arxiv url: http://arxiv.org/abs/2611.05937v1
• Date: Wed, 04 Nov 2026 04:25:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.941719
• Title: Deep Meets Classical: A CPU-Efficient Decision-Fusion Model for Automatic Modulation Classification
• Title（参考訳）: Deep Meets Classical: 自動変調分類のためのCPU効率の良い決定融合モデル
• Abstract要約: 低信号-雑音比(SNR)において、生のインフェーズと二次(I/Q)サンプルのコンパクト畳み込みニューラルネットワーク(CNN)がより堅牢であることを示す。 我々は、ロジスティック回帰メタ融合モデルをトレーニングする軽量な決定結合器であるFuseAMCと、この相補性を利用する。 RadioML 201610a (5シード、44kフレームのホールドアウトテストセット)では、FuseAMCは全体の55.8%に達し、最高の累積機能ベースラインを5.1ポイント改善した。
• 参考スコア（独自算出の注目度）: 6.80177383984456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic modulation classification (AMC) underpins spectrum sensing and non-cooperative signal identification in cognitive radio, yet the two standard CPU-feasible approaches to it, a compact convolutional neural network (CNN) on raw in-phase and quadrature (I/Q) samples and a classical higher-order-cumulant feature classifier, are rarely compared against each other conditioned on signal-to-noise ratio (SNR). We show that they are, in fact, complementary: the CNN is markedly more robust at low SNR, where hand-crafted statistics collapse toward chance, while the cumulant classifier is more accurate at high SNR, where higher-order statistics cleanly separate dense constellations. We exploit this complementarity with FuseAMC, a lightweight decision-fusion model that trains a logistic-regression meta-combiner over the concatenated class-posteriors of an approximately 198k-parameter residual CNN and a gradient-boosted-tree cumulant classifier, on a validation split disjoint from test. On RadioML 2016.10a (5 seeds, 44k-frame held-out test set), FuseAMC reaches 55.8% overall accuracy, improving on the best cumulant-feature baseline by 5.1 points and on the CNN alone by 3.2 points (paired-bootstrap 95% confidence-interval lower bounds of 5.0 and 3.1 points, both positive), while matching the best classical baseline in its own strong high-SNR regime and the CNN in its strong low-SNR regime. With about 0.2 million parameters, a model footprint of a few megabytes, and roughly 3 MFLOPs per frame, the whole pipeline trains and runs on one CPU core, targeting general-purpose and embedded processors without hardware acceleration.
• Abstract（参考訳）: 自動変調分類(AMC)は、認知無線におけるスペクトル検出と非協調信号識別を基盤としているが、それに対する2つの標準CPU実現可能なアプローチ、生のインフェーズと二次(I/Q)サンプル上のコンパクト畳み込みニューラルネットワーク(CNN)と古典的な高次累積特徴分類器(英語版)は、信号-ノイズ比(SNR)で条件付けられた互いに比較されることは稀である。 CNNは、手作りの統計値が偶然に崩壊する低SNRでは顕著に堅牢であり、累積分類器は高SNRではより正確であり、高次統計は高密度の星座をきれいに分離する。 約198kの残差CNNと勾配ブースト木累積分類器の連結クラスポスト上で,ロジスティック回帰メタコンビネータを訓練する軽量な決定融合モデルであるFuseAMCとの相補性を利用して,試験から分離した検証分割を行う。 RadioML 2016.10a (5シード、44kフレームのホールドアウトテストセット)では、FuseAMCは55.8%の精度に達し、最高累積ベースライン5.1ポイント、CNN単独で3.2ポイント(Paired-bootstrap 95%の信頼区間境界5.0と3.1ポイント)を向上した。 約0.2万のパラメータ、数メガバイトのモデルフットプリント、フレームあたり約3MFLOPを持つパイプライン全体は、ハードウェアアクセラレーションのない汎用および組み込みプロセッサをターゲットとして、単一のCPUコア上でトレーニングと実行を行う。

関連論文リスト

• Deep Neural Networks for Learning Intent from sEMG Signals to Support Hardware Devices for Post-Stroke Neurorehabilitation [0.0]
  指特異的運動意図は、脳卒中後の神経リハビリテーションに対する臨床的に意味のある制御シグナルである。 上肢高密度表面筋電図(sEMG)による5指マルチラベルインテントデコーディングについて検討した。
  論文  参考訳（メタデータ） (2026-09-09T09:56:44Z)
• Federated Binary Gating with Server-Side Vision-Language Inference for Surveillance Anomaly Classification [0.24629531282150874]
  サーバ側ゼロショットVLM推論とCNNゲートを組み合わせたハイブリッド2段アーキテクチャを提案する。 我々は,UCF-Crimeを5つの粗いメタクラスに分類し,実際の3ノードヘテロジニアス展開においてフェデレーションステージを実装した。
  論文  参考訳（メタデータ） (2026-09-07T12:14:57Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Exploring Spiking Neural Networks for Binary Classification in Multivariate Time Series at the Edge [0.9282545044546486]
  多変量時系列のバイナリ分類を行うために、スパイキングニューラルネットワーク(SNN)を訓練するための一般的なフレームワークを提案する。 ガンマ線スペクトルデータにおける低信号-雑音比放射源の検出に応用する。 その結果、49個の神経細胞と66個のシナプスを持つSNNは、51.8%の真の正の速度(TPR)を1/hrの誤報率で達成した。 マイクロカスピアンニューロモルフィックプラットフォーム上のハードウェア展開は、2mWの消費電力と20.2msのレイテンシを示す。
  論文  参考訳（メタデータ） (2025-10-23T20:52:11Z)
• End-to-End Implicit Neural Representations for Classification [57.55927378696826]
  Inlicit Neural representations (INRs) は、ニューラルネットワークパラメータの信号を符号化し、信号再構成に優れた結果を示す。 INRをベースとした分類は、CNNのようなピクセルベースの手法に比べて、依然としてかなり低性能である。 本研究は,SIRENを学習段階のスキームとともに初期化するエンド・ツー・エンドの戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-23T16:02:23Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Automatic Machine Learning for Multi-Receiver CNN Technology Classifiers [16.244541005112747]
  畳み込みニューラルネットワーク(CNN)は、信号分類のための最も研究されているディープラーニングモデルの1つである。 我々は、複数の同期受信機から収集した生のI/Qサンプルに基づく技術分類に焦点を当てた。
  論文  参考訳（メタデータ） (2022-04-28T23:41:38Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
  デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。 以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。 クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
  論文  参考訳（メタデータ） (2020-11-03T03:27:18Z)
• Method for classifying a noisy Raman spectrum based on a wavelet transform and a deep neural network [0.0]
  エンジンは2基の主エンジンで構成されている。 1次元ラマンスペクトルを2次元データに変換するためのフレームワークフロントエンドとしてウェーブレット変換を提案する。 最適分類器は、いくつかの従来の機械学習(ML)アルゴリズムとディープラーニング(DL)アルゴリズムを実装することで選択される。
  論文  参考訳（メタデータ） (2020-09-09T02:31:23Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。