Self-Supervised RF Signal Representation Learning for NextG Signal Classification with Deep Learning

要約

ディープ ラーニング (DL) は、ワイヤレス ドメインで豊富なアプリケーションを見つけて、スペクトル認識を向上させます。
通常、DL モデルは、統計分布に従ってランダムに初期化されるか、ワイヤレス信号の固有の特性を考慮せずに転移学習の形で他のドメインからのタスクで事前トレーニングされます。
自己教師あり学習 (SSL) を使用すると、ラベル付きの限られたトレーニング データ サンプルしか利用できない場合でも、無線周波数 (RF) 信号自体から有用な表現を学習できます。
自己教師あり RF 信号表現学習法を提示し、ワイヤレス信号特性をキャプチャする一連の変換を具体的に定式化することにより、自動変調認識 (AMR) タスクに適用します。
SSL で信号表現を学習することにより、AMR のサンプル効率 (特定のパフォーマンスを達成するために必要なラベル付けされたサンプルの数) を大幅に (ほぼ 1 桁) 向上させることができることを示します。
これは、時間とコストの大幅な節約につながります。
さらに、SSL は最先端の DL メソッドと比較してモデルの精度を向上させ、限られたトレーニング データが利用可能な場合でも高い精度を維持します。

要約(オリジナル)

Deep learning (DL) finds rich applications in the wireless domain to improve spectrum awareness. Typically, DL models are either randomly initialized following a statistical distribution or pretrained on tasks from other domains in the form of transfer learning without accounting for the unique characteristics of wireless signals. Self-supervised learning (SSL) enables the learning of useful representations from Radio Frequency (RF) signals themselves even when only limited training data samples with labels are available. We present a self-supervised RF signal representation learning method and apply it to the automatic modulation recognition (AMR) task by specifically formulating a set of transformations to capture the wireless signal characteristics. We show that the sample efficiency (the number of labeled samples needed to achieve a certain performance) of AMR can be significantly increased (almost an order of magnitude) by learning signal representations with SSL. This translates to substantial time and cost savings. Furthermore, SSL increases the model accuracy compared to the state-of-the-art DL methods and maintains high accuracy when limited training data is available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google