Transformatorių pagrįstas moduliacijos atpažinimas: nauja gynyba nuo prieštaringų atakų

Greitas belaidžių ryšių technologijų kūrimas padidino automatinio moduliavimo atpažinimo (AMR) taikymą tokiuose sektoriuose kaip kognityvinis radijas ir elektroninės atsakomybės priemonės. Su įvairiais moduliavimo tipais ir signalo pakeitimais šiuolaikinės komunikacijos sistemos suteikia didelių kliūčių išsaugoti AMR našumą dinaminiame kontekste.

Giluminiai mokymosi pagrįsti AMR algoritmai tapo pirmaujančia belaidžio signalo atpažinimo technologija dėl jų didesnio našumo ir automatinių funkcijų ištraukimo galimybių. Skirtingai nuo ankstesnių metodų, giluminio mokymosi modeliai puikiai valdo sudėtingą signalo įvestį, išlaikant aukštą identifikavimo tikslumą. Tačiau šie modeliai yra jautrūs prieštaringoms atakoms, kai mažai įvesties signalų pokyčių gali lemti netikslią klasifikaciją. Buvo ištirtos gynybos priemonės, tokios kaip aptikimo ir prieštaringų mokymo metodai, siekiant pagerinti giluminio mokymosi modelių atsparumą tokioms atakoms, todėl jie yra labiau patikimi praktiniuose pritaikymuose.

Prieštaringos mokymai, nors ir efektyvūs, padidina skaičiavimo sąnaudas, rizikuoja sumažinti švarių duomenų našumą ir gali sukelti perpildymą sudėtinguose modeliuose, tokiuose kaip transformatoriai. Tvirtumo, tikslumo ir efektyvumo subalansavimas išlieka pagrindiniu iššūkiu užtikrinant patikimas AMR sistemas prieštaringų scenarijų.

Šiame kontekste Kinijos tyrimų komanda neseniai paskelbė dokumentą, kuriame pristatomas naujas metodas, vadinamas dėmesio automatiniu moduliavimo atpažinimu (AG-AMR), kad išspręstų šiuos iššūkius. Šis novatoriškas požiūris apima optimizuotą dėmesio mechanizmą į transformatoriaus modelį, leidžiantį ištraukti ir patobulinti signalo ypatybes per dėmesio svorius treniruotės metu.

Konkrečiai, siūloma AG-AMR technika pagerina moduliacijos atpažinimo užduotis, derinant dėmesį nukreiptą kodavimo įrenginį (Ag-incoder), patobulintą duomenų išankstinį apdorojimą ir funkcijų įterpimą. Šis metodas paverčia įvesties signalus į dviejų kanalų vaizdus, ​​vaizduojančius realias ir įsivaizduojamas dalis, naudojant „Transformerio“ gebėjimą apdoroti tolimojo nuotolio priklausomybes, vengiant vietinių CNN ir RNN apribojimų. Šie signalai yra segmentuoti, normalizuoti ir įamžinti į sekas, su padėties įterpimais ir klasės prieigos raktu, pridedant laikinosios ir globalios informacijos išsaugojimą. „Ag-incoder“ naudoja daugialypės trukmės savivaldos (MSA) mechanizmą ir tiesinį tiesinį bloką (GLU), kad padidintų funkcijų ekstrahavimą. MSA dinamiškai skiria svorius, kad sutelktų dėmesį į būtiniausius įvesties regionus, ir ignoruodama triukšmą, generuodama išėjimus, sujungdamas ir konvertuodamas dėmesio balus ir vertes. Tuo tarpu GLU, pakeičiantis tradicinius pirmyn sklidimo tinklus, moduliuoja informacijos srautą per vartus, pagerindamas laikinųjų užduočių apdorojimą. Kombinuota sistema efektyviai ištraukia svarbias savybes, sumažina skaičiavimo sudėtingumą ir pagerina tvirtumą prieštaringų pasipiktinimų, filtruojant nereikalingus ar nesvarbius duomenis, išsaugant kritinės signalo informaciją.

Autorių atlikti eksperimentai kruopščiai įvertina siūlomo AG-AMR metodo efektyvumą automatiniam moduliacijos atpažinimui. Šis metodas yra lyginamasis su keliais modeliais, įskaitant MCLDNN, LSTM, GRU ir PET-CGDNN, naudojant du viešus duomenų rinkinius: RML2016.10A ir RML2018.01A. Šie duomenų rinkiniai pasižymi įvairiais moduliavimo tipais, kanalo sąlygomis ir signalo ir triukšmo santykiu, siūlančiais sudėtingą aplinką modelio vertinimui. Taikomi įvairūs prieštaringos atakos metodai, tokie kaip FGSM, PGD, C&W ir autoatrack, siekiant įvertinti tvirtumą prieš prieštaringus mėginius. Išanalizuotas pagrindinių parametrų poveikis, įskaitant rėmo ilgį ir tinklo gylį, analizuojamas modelio našumas, atskleidžiant, kad gilesni tinklai su optimizuotu rėmo ilgiu padidina atpažinimo tikslumą. Našumo metrika, įskaitant mokymo laiką, tikslumą ir modelio sudėtingumą, yra sistemingai palyginami tarp duomenų rinkinių, parodant aukščiausią AG-AMR atsparumą ir klasifikavimo rezultatus prieštaringomis sąlygomis.

Apibendrinant galima pasakyti, kad „AG-AMR“ technika reiškia esminį automatinio moduliavimo atpažinimo pažangą, įtraukiant patobulintą „Transformer“ modelio dėmesio mechanizmą. Ši nauja technika išsprendžia kritinius sunkumus dinamiškose belaidžio ryšio situacijose, įskaitant signalo sudėtingumą ir prieštaringų atakų pažeidžiamumą. Išsamūs eksperimentai rodo, kad AG-AMR įveikia esamus atsparumo, tikslumo ir efektyvumo modelius, todėl tai yra perspektyvus sprendimas realaus pasaulio programoms, tokioms kaip pažintinis radijas ir elektroninės atsakomybės.

Patikrinkite popierius. Visas šio tyrimo kreditas skirtas šio projekto tyrėjams. Be to, nepamirškite sekti mūsų „Twitter“ ir prisijunkite prie mūsų „Telegram“ kanalas ir „LinkedIn GrOUP. Nepamirškite prisijungti prie mūsų 75K+ ml subreddit.

🚨 Susipažinkite su „Intellagent“: atvirojo kodo daugialypės terpės sistema, skirta įvertinti sudėtingą pokalbio AI sistemą ^{(Paaukštintas)}