Deep Feature Learning for Wireless Spectrum Data

要約

近年、機械学習モデルをトレーニングするための従来の特徴エンジニアリング プロセスが、深層学習アーキテクチャに統合された特徴抽出レイヤーによって自動化されています。
無線ネットワークでは、ドメイン関連の課題に対する特徴表現の自動学習について多くの研究が行われました。
ただし、既存の研究のほとんどは、ラベルを使用してモデルを最適化することにより、学習プロセスに沿って何らかの監視を行うことを前提としています。
この論文では、完全に教師なしの方法、つまりプロセスにラベルを必要としない方法で、無線送信クラスタリングの特徴表現を学習するアプローチを調査します。
ベースラインの主成分分析 (PCA) と比較して成分が 99.3% 少ない入力データの次元削減表現を自動的に学習する畳み込みニューラル ネットワークに基づくモデルを提案します。
自動表現学習では、無線送信バーストの形状を含むきめの細かいクラスターを抽出できるのに対し、ベースラインではバックグラウンド ノイズに基づくデータの一般的な分離のみが可能であることを示します。

要約(オリジナル)

In recent years, the traditional feature engineering process for training machine learning models is being automated by the feature extraction layers integrated in deep learning architectures. In wireless networks, many studies were conducted in automatic learning of feature representations for domain-related challenges. However, most of the existing works assume some supervision along the learning process by using labels to optimize the model. In this paper, we investigate an approach to learning feature representations for wireless transmission clustering in a completely unsupervised manner, i.e. requiring no labels in the process. We propose a model based on convolutional neural networks that automatically learns a reduced dimensionality representation of the input data with 99.3% less components compared to a baseline principal component analysis (PCA). We show that the automatic representation learning is able to extract fine-grained clusters containing the shapes of the wireless transmission bursts, while the baseline enables only general separability of the data based on the background noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google