La correzione decisionale cognitiva migliora l'accuratezza della classificazione automatica della modulazione
Un nuovo preprint arXiv, 2608.02063, presenta un framework post-inferenza volto a migliorare l'accuratezza della classificazione automatica della modulazione. Questo framework innovativo impiega un'utilità residua cross-fitted insieme a una politica decisionale cognitiva che preserva i dati primari. Utilizzando un classificatore strutturato KAN-Fourier, vengono stabilite probabilità predefinite, mentre l'utilità residua specifica per candidato è derivata da previsioni out-of-fold della suddivisione di addestramento. I risultati rivelano significativi aumenti di accuratezza: dal 63,632% al 66,332% su RMLA, dal 65,161% al 66,168% su RMLB e dal 77,769% al 79,867% su HISAR. Tuttavia, confronti controllati indicano che obiettivi di utilità isolati non migliorano uniformemente le prestazioni su tutti i dataset.
Fatti principali
- Il preprint arXiv 2608.02063 introduce un framework post-inferenza per la classificazione automatica della modulazione.
- Il framework utilizza un'utilità residua cross-fitted e una politica decisionale cognitiva che preserva i dati primari.
- Un classificatore strutturato KAN-Fourier fornisce probabilità predefinite.
- Candidati neurali e non neurali forniscono prove osservabili.
- L'utilità residua specifica per candidato è appresa da previsioni out-of-fold della suddivisione di addestramento.
- Una suddivisione di validazione disgiunta congela le soglie di azione, le transizioni approvate, i percorsi condizionali e una maschera di rischio unificata.
- Su RMLA, l'accuratezza è migliorata dal 63,632% al 66,332%.
- Su RMLB, l'accuratezza è migliorata dal 65,161% al 66,168%.
- Su HISAR, l'accuratezza è migliorata dal 77,769% al 79,867%.
- Confronti controllati mostrano che l'obiettivo di utilità isolato non avvantaggia uniformemente tutti i dataset.
Entità
Istituzioni
- arXiv