Meta-Learning Guided Label Noise Distillation for Robust Signal Modulation Classification

要約

自動変調分類 (AMC) は、モノのインターネット (IoT) の物理層の脅威に対処する効果的な方法です。
ただし、実際にはラベルの誤ったラベル付けが頻繁に発生し、ディープ ニューラル ネットワーク (DNN) のパフォーマンスと堅牢性に大きな影響を与えます。
この論文では、ロバストな AMC のためのメタ学習ガイド付きラベル ノイズ蒸留法を提案します。
具体的には、ラベルノイズを抽出して再利用するために、教師と生徒の異種ネットワーク (TSHN) フレームワークが提案されています。
ラベルは表現であるという考えに基づいて、信頼できるメタ学習を備えた教師ネットワークは、信頼できないラベル サンプルを分割して征服し、ラベルを再評価して修正することで生徒のネットワークがより良く学習できるように導きます。
さらに、少数ショットの信頼できるラベル サンプルを使用して分類が困難なカテゴリのパフォーマンスをさらに向上させるマルチビュー信号 (MVS) 方法を提案します。
広範な実験結果は、私たちの方法が、IoT アプリケーションのセキュリティを確保するために重要な、さまざまで複雑なラベル ノイズ シナリオにおける信号 AMC のパフォーマンスと堅牢性を大幅に向上できることを示しています。

要約(オリジナル)

Automatic modulation classification (AMC) is an effective way to deal with physical layer threats of the internet of things (IoT). However, there is often label mislabeling in practice, which significantly impacts the performance and robustness of deep neural networks (DNNs). In this paper, we propose a meta-learning guided label noise distillation method for robust AMC. Specifically, a teacher-student heterogeneous network (TSHN) framework is proposed to distill and reuse label noise. Based on the idea that labels are representations, the teacher network with trusted meta-learning divides and conquers untrusted label samples and then guides the student network to learn better by reassessing and correcting labels. Furthermore, we propose a multi-view signal (MVS) method to further improve the performance of hard-to-classify categories with few-shot trusted label samples. Extensive experimental results show that our methods can significantly improve the performance and robustness of signal AMC in various and complex label noise scenarios, which is crucial for securing IoT applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google