敵対的マルチタスク学習による共同干渉検出および同定

要旨: 非協調的な無線環境において、通信システムの生存性を高めるために、精密な干渉検出と識別は極めて重要である。深層学習（DL）はこの分野を前進させてきたものの、既存の単一タスク学習（STL）手法は本来備わったタスク間の相関を無視している。さらに、台頭してきたマルチタスク学習（MTL）手法の多くは、タスク関係を定量化しモデル化するための理論的基盤を欠いている。そこで本研究では、このギャップを埋めるために、共同の干渉検出、変調識別、干渉識別のための、理論に基づくMTL枠組みを構築する。まず、MTL枠組みにおける重み付き期待損失の上界を導出する。この上界は、ウォッサースタイン距離および学習可能なタスク関係係数によって定量化されるタスクの類似性に対して、MTLの性能を明示的に結び付ける。これに導かれ、敵対的マルチタスク干渉検出・識別ネットワーク（AMTIDIN）を提案する。AMTIDINは、タスク間の分布の不一致を最小化するための敵対的学習を統合し、タスク相関を動的にモデル化するための適応係数を用いる。重要な点として、タスク類似性の定量分析を実施し、本質的なタスク関係を明らかにした。具体的には、変調識別と干渉識別が、干渉検出とは異なる実質的な特徴の重なりを共有していることを示した。大規模な比較実験の結果、AMTIDINは、ロバスト性と汎化性能において、タスク固有のSTLベースラインおよび最先端のMTLベースラインのいずれも大幅に上回ることが分かった。特に、学習データが限られている場合、信号長が短い場合、ならびに低い信号対雑音比（SNR）といった困難な条件下で、その優位性は顕著である。