Using Early Exits for Fast Inference in Automatic Modulation Classification

要約

自動変調分類 (AMC) は、無線スペクトル上で送信される信号を自律的に分類することにより、無線通信において重要な役割を果たします。
ディープラーニング (DL) 技術は、複雑な無線信号の特徴を抽出できるため、AMC に使用されることが増えています。
ただし、DL モデルは計算量が多く、高い推論レイテンシーが発生します。
この論文では、推論を高速化するために、AMC に使用される DL モデルに早期終了 (EE) 技術を適用することを提案します。
私たちは、この問題に対して 4 つの初期の既存のアーキテクチャとカスタマイズされたマルチブランチ トレーニング アルゴリズムを提示して分析します。
広範な実験を通じて、中程度から高い信号対雑音比 (SNR) を持つ信号は分類が容易であり、深いアーキテクチャを必要としないため、提案された EE アーキテクチャを活用できることを示しました。
私たちの実験結果は、EE 技術が分類精度を犠牲にすることなくディープ ニューラル ネットワークの推論速度を大幅に削減できることを示しています。
また、これらのアーキテクチャを使用する場合の分類精度と推論時間の間のトレードオフについても徹底的に研究しています。
私たちの知る限り、この研究は早期終了手法を AMC に適用する最初の試みであり、この分野における将来の研究の基盤を提供します。

要約(オリジナル)

Automatic modulation classification (AMC) plays a critical role in wireless communications by autonomously classifying signals transmitted over the radio spectrum. Deep learning (DL) techniques are increasingly being used for AMC due to their ability to extract complex wireless signal features. However, DL models are computationally intensive and incur high inference latencies. This paper proposes the application of early exiting (EE) techniques for DL models used for AMC to accelerate inference. We present and analyze four early exiting architectures and a customized multi-branch training algorithm for this problem. Through extensive experimentation, we show that signals with moderate to high signal-to-noise ratios (SNRs) are easier to classify, do not require deep architectures, and can therefore leverage the proposed EE architectures. Our experimental results demonstrate that EE techniques can significantly reduce the inference speed of deep neural networks without sacrificing classification accuracy. We also thoroughly study the trade-off between classification accuracy and inference time when using these architectures. To the best of our knowledge, this work represents the first attempt to apply early exiting methods to AMC, providing a foundation for future research in this area.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google