Memory-Augmented Reverse Distillation for Continuous Spectrum Anomaly Detection

doi:10.1109/tccn.2026.3735675

Memory-Augmented Reverse Distillation for Continuous Spectrum Anomaly Detection

2026-09-21

0

PRE

AI

DOI：10.1109/tccn.2026.3735675

原文链接

原文求助

摘要

En 中文

有效的频谱异常检测（SAD）对于维护通信安全及频谱利用效率至关重要。现有研究大多仍集中于针对特定电磁场景训练专用异常检测模型。然而，开发此类环境特定的SAD模型可能产生高昂的计算成本，限制了其实际应用。本文研究了一种持续学习环境。具体而言，我们引入了“记忆增强反向蒸馏持续学习”（MARD-CL）方法，这是一种将反向蒸馏（RD）和记忆增强模块（MEM）相结合的创新SAD方法。此外，为了使该方法能够在一系列电磁环境中持续学习，我们对来自学生模型的重建数据和特征融合模块的融合特征分别执行双重池化蒸馏。双重池化蒸馏可防止模型在学习新场景数据时遗忘先前学到的知识，从而解决了灾难性遗忘问题。实验证实，所提出的SAD方法优于现有方法。

Keyword:

Spectrum anomaly detection

continuous learning

reverse distillation

memory enhancement module

pooling distillation

Memory-Augmented Reverse Distillation for Continuous Spectrum Anomaly Detection

摘要

期刊

机构

引用论文