.png){kind=icon}
返回
PID: A Parameter-Efficient Isolation Domain-Incremental Learning Framework for Signal Modulation Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3615307.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度神经网络在信号调制分类（SMC）领域取得了有前景的进展，在认知无线电网络、网络防御和电子监视等多种应用中发挥着关键作用。然而，大多数现有的SMC方法仍遵循传统的机器学习范式，即在静态封闭数据集上训练，缺乏应对实际通信场景中连续数据分布变化挑战的能力。直接将模型应用于新环境可能导致先前场景下分类性能严重下降，即灾难性遗忘。为解决此问题，本文首次提出了针对SMC的领域增量学习（DIL）范式，并设计了一种参数高效的隔离DIL（PID）方法，该方法通过仅扩展少量参数，使SMC模型能够快速适应新场景，同时显著保留先前场景的分类能力。具体而言，我们首先提出了一种基于参数空间分解的分类器（PSD），将模型参数分解为一组基和对应的系数。通过冻结基并微调低维系数，可以高效消除灾难性遗忘问题。此外，我们设计了一种场景感知领域控制器（SDC），用于为每个样本选择最合适的领域特定系数，从而保持SMC模型在所有领域中的分类能力。广泛的实验结果证明了所提出的PID的优越性，其达到了当前最佳（SOTA）的整体性能。代码将发布于：https://github.com/SMC-IL/PID
Keyword:
Domain-incremental learning (DIL)
parameter space decomposition
parameter-efficient isolation
signal modulation classification (SMC)
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
An introduction to Deep Learning in Natural Language Processing: Models, techniques, and tools自然语言处理中的深度学习: 模型、技术和工具.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Deep Learning Models for Wireless Signal Classification With Distributed Low-Cost Spectrum Sensors基于分布式低成本频谱传感器的无线信号分类深度学习模型
OAAI
OAAI分享收藏
查看更多内容