Keep It Simple: CNN Model Complexity Studies for Interference Classification Tasks

要約

無線周波数を使用するデバイスの数が増加しているため、干渉を最小限に抑え、周波数の使用を最適化する方法を見つけることが重要です。畳み込みニューラルネットワーク（CNN）などの深層学習モデルは、データから直接学習できるため、干渉の特定、分類、または軽減に広く活用されてきた。しかし、このような深層学習モデルの複雑さに関する研究は限られています。ディープラーニングに基づく無線分類の文献では、分類精度の向上に主眼が置かれており、多くの場合、モデルの複雑さを犠牲にしています。しかし、IoT（Internet of Things）デバイスのように、計算資源が非常に限られており、非常に複雑なモデルを扱うことができない多くの無線機器では、これは実用的ではない場合があります。したがって、干渉分類のための深層学習ベースのモデルを設計する際に、モデルの複雑さを考慮することが重要になる。これに対処するために、我々は、データセットサイズ、CNNモデルの複雑さ、および様々なレベルの分類難易度（すなわち、干渉分類、異種送信機分類、および同種送信機分類）の下での分類精度間のトレードオフを探索するCNNベースの無線分類の分析を行う。3つの無線データセットに基づく我々の研究は、より少ないパラメータを持つより単純なCNNモデルが、より複雑なモデルと同等の性能を発揮できることを示し、計算量に制約のあるアプリケーションにおけるCNNの使用について重要な洞察を与えてくれる。

要約(オリジナル)

The growing number of devices using the wireless spectrum makes it important to find ways to minimize interference and optimize the use of the spectrum. Deep learning models, such as convolutional neural networks (CNNs), have been widely utilized to identify, classify, or mitigate interference due to their ability to learn from the data directly. However, there have been limited research on the complexity of such deep learning models. The major focus of deep learning-based wireless classification literature has been on improving classification accuracy, often at the expense of model complexity. This may not be practical for many wireless devices, such as, internet of things (IoT) devices, which usually have very limited computational resources and cannot handle very complex models. Thus, it becomes important to account for model complexity when designing deep learning-based models for interference classification. To address this, we conduct an analysis of CNN based wireless classification that explores the trade-off amongst dataset size, CNN model complexity, and classification accuracy under various levels of classification difficulty: namely, interference classification, heterogeneous transmitter classification, and homogeneous transmitter classification. Our study, based on three wireless datasets, shows that a simpler CNN model with fewer parameters can perform just as well as a more complex model, providing important insights into the use of CNNs in computationally constrained applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL