クロスバリデーション済みクロスチャネル自己注意と自動変調分類のためのノイズ除去
arXiv cs.LG / 2026/4/14
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、深層学習に基づく自動変調分類（AMC）における限界、すなわち従来の特徴抽出が判別に有効な信号構造と干渉に関する情報の両方を抑制してしまうため、低SNR／またはノイズのある条件で性能が急激に低下する問題に着目する。
- 変調特徴を保持しつつノイズを低減するために、位相成分（in-phase）と直交成分（quadrature）を結び付けるクロスチャネル自己注意ブロックと、デュアルパスの深層残差シュリンク（縮小）型ノイズ除去ブロックを組み合わせたAMCアーキテクチャを提案する。
- RML2018.01aデータセットに対する実験では、24種類の変調クラスと26種類のSNRレベルにわたり層化サンプリングを行い、ノイズ除去の深さが低〜中程度SNR領域での頑健性における重要な要因であることを示す。
- ベンチマークモデル（PET-CGDNN、MCLDNN、DAE）と比較して、本手法は -8 dB から +2 dB の範囲で精度向上を報告しており、とりわけDAEに対する改善が大きい。
- クロスバリデーション結果として、平均精度62.6%、macro-F1 62.9%を報告し、アブレーション研究により、特徴保持型のノイズ除去にクロスチャネル注意を組み合わせることが、低〜中程度SNRでの頑健性に不可欠であることを強調している。
