DyCo-CL: L'Apprendimento Contrastivo Consapevole della Geometria Potenzia il Riconoscimento della Modulazione con Pochi Esempi
Un nuovo approccio di apprendimento auto-supervisionato chiamato Dynamic-Consistency Contrastive Learning (DyCo-CL) ha dimostrato un miglioramento del 6,27% nell'accuratezza per il riconoscimento automatico della modulazione (AMR) con un solo esempio rispetto alle tecniche precedenti. Questo metodo integra l'Augmentazione Avversaria Virtuale (VAA) insieme a una perdita di coerenza semantica, fungendo da regolarizzatore spettrale implicito per facilitare l'esplorazione stabile della varietà. Inoltre, un Backbone Swin Adattivo al Segnale con attenzione a finestra fissa limita la località dell'attenzione, mentre un modulo di Fusione della Conoscenza Ibrida rafforza le rappresentazioni utilizzando priori fisici. I test sui benchmark RML mostrano l'efficacia del metodo in scenari con pochi esempi.
Fatti principali
- DyCo-CL ottiene un guadagno di accuratezza del 6,27% nell'AMR con un solo esempio
- Il framework utilizza l'Augmentazione Avversaria Virtuale e la perdita di coerenza semantica
- Agisce come regolarizzatore spettrale implicito per l'encoder
- Il Backbone Swin Adattivo al Segnale con attenzione a finestra fissa migliora la stabilità strutturale
- Il modulo di Fusione della Conoscenza Ibrida ancora le rappresentazioni con priori fisici
- Esperimenti sui benchmark RML
- Affronta le augmentazioni isotropiche inefficaci, l'instabilità spettrale e la deriva semantica
- L'SSL standard per AMR fatica con queste sfide
Entità
Istituzioni
- arXiv