Self-supervised Learning for Clustering of Wireless Spectrum Activity

要約

タイトル：無監視学習を用いた無線スペクトル活動のクラスタリングのための自己学習

要約：
– 無線スペクトルデータの処理において、機械学習技術によるドメイン関連の問題、例えば異常検知、変調分類、技術分類、デバイスの識別などに対して、多くの研究が行われてきた。
– こうしたソリューションの多くは、制御された環境で作成されたラベル付きデータに基づいており、教師あり学習プロセスで処理されているが、現実世界で測定されるスペクトルデータは非常に不確定性が高く、ラベリングには多大な手間や負担がかかるため、このドメインで教師あり学習アプローチを使用することの主な障害の1つとなっている。
– 本論文では、自己学習（SSL）を使用して、実世界の未ラベルデータのスペクトル活動を探索することを調査している。
– 特に、リファレンスのDeepClusterアーキテクチャを基にした1つのSSLモデルと、スペクトル活動の識別とクラスタリングに適応されたもう1つのSSLモデルを比較し、K-meansクラスタリングアルゴリズムに基づいたベースラインモデルと比較して、クラスタリング性能と抽出された特徴の品質の面でSSLモデルが優れていることを示している。
– SSLモデルを使用することで、特徴ベクトルのサイズを2オーダー縮小することができ、評価指標に対して2〜2.5倍の改善を実現した。
– さらに、ドメインデータへのリファレンスSSLアーキテクチャの適応によって、モデルの複雑さを1オーダー縮小し、クラスタリング性能を維持または改善することができた。

要約(オリジナル)

In recent years, much work has been done on processing of wireless spectrum data involving machine learning techniques in domain-related problems for cognitive radio networks, such as anomaly detection, modulation classification, technology classification and device fingerprinting. Most of the solutions are based on labeled data, created in a controlled manner and processed with supervised learning approaches. However, spectrum data measured in real-world environment is highly nondeterministic, making its labeling a laborious and expensive process, requiring domain expertise, thus being one of the main drawbacks of using supervised learning approaches in this domain. In this paper, we investigate the use of self-supervised learning (SSL) for exploring spectrum activities in a real-world unlabeled data. In particular, we compare the performance of two SSL models, one based on a reference DeepCluster architecture and one adapted for spectrum activity identification and clustering, and a baseline model based on K-means clustering algorithm. We show that SSL models achieve superior performance regarding the quality of extracted features and clustering performance. With SSL models we achieve reduction of the feature vectors size by two orders of magnitude, while improving the performance by a factor of 2 to 2.5 across the evaluation metrics, supported by visual assessment. Additionally we show that adaptation of the reference SSL architecture to the domain data provides reduction of model complexity by one order of magnitude, while preserving or even improving the clustering performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI