自监督聚类无线频谱活动的 XAI

May, 2023

XAI for Self-supervised Clustering of Wireless Spectrum Activity

Ljupcho Milosheski, Gregor Cerar, Blaž Bertalanič, Carolina Fortuna, Mihael Mohorčič

TL;DR提出一种结合了 Guided Backpropagation 和 Shallow Trees 方法，在无需大量标注数据的情况下解释卷积神经网络深度聚类自监督学习架构，并以无线频谱活动聚类为例进行了说明。

Abstract

The so-called black-box deep learning (DL) models are increasingly used in classification tasks across many scientific disciplines, including wireless communications domain. In this trend, supervised DL models appear as most commonly proposed solutions to domain-related classification

deep learning self-supervised learning clustering interpretability wireless communications

发现论文，激发创造

无线频谱数据的深度特征学习

通过使用卷积神经网络，我们在无监督学习的过程中提出了一种基于特征工程的模型，该模型能够自动地学习适用于无线传输聚类的特征表示方法。相对于基准的主成分分析（PCA），我们的模型自动学习由比基准少 99.3% 的组成部分组成的输入数据的降维表示，从而能够提取具有细粒度的无线传输突发形状的聚类，而基准模型只能基于背景噪声进行数据的一般可分性。

Aug, 2023

自监督学习用于无线频谱活动聚类

本文提出了一种自我监督学习方法，使用真实的未标记数据探索频谱活动，使用此方法可以大幅减小特征向量的大小，并提高性能，同时提供了频谱数据的分类结果。

Sep, 2022

从聚类到聚类解释的神经网络方法

提出基于神经网络和聚类模型的可解释 AI 框架，能够对数据的簇分配进行高效和可靠的解释，并且从分析数据和表示中提取新的见解。

Jun, 2019

利用深度学习进行无监督射频信号表示学习，用于 NextG 信号分类

本研究提出了基于自监督学习的射频信号表示学习方法，并将其应用于自动调制识别任务中，该方法能够提高任务的样本效率并显著节省时间和成本，并且相比于当前的深度学习方法，其模型的准确性更高，并且在只有有限的训练数据的情况下仍能保持较高的准确性。

Jul, 2022

未知和动态频谱环境下的无线电信号分类深度学习

本文提出了一种基于深度学习和信号分类技术的动态频谱接入方案，能够在无线网络中精确检测和分类干扰源，并应用于分布式调度协议中，提高网络吞吐量和用户成功率。

Sep, 2019

深度表示学习的无监督图像分类

本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

Jun, 2020

遥感图像无监督深度特征提取分类

介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

Nov, 2015

邻域发现的无监督深度学习

本文提出了一种通用的无监督深度学习方法，通过发现样本邻域来推理和累计学习潜在的类别决策边界，进而进行分类，实验结果显示该方法在图像分类方面优于先前的无监督学习模型。

Apr, 2019

模型辅助的无线人工智能：在深度神经网络中嵌入专业知识以实现无线系统优化

该论文介绍了两种采用专家知识方法优化无线通信网络性能的深度学习方法，并通过数字结果将这些方法与纯数据驱动实现进行比较。

Aug, 2018

一种将自我监督聚类和能量模型相统一的贝叶斯方法

通过贝叶斯分析，我们对最先进的自监督学习目标进行了研究，提出了一种从第一原理推导这些目标的标准化方法，并表明将自监督学习与基于似然的生成模型进行整合的自然方式。我们在集群自监督学习和能量模型的领域内验证了这一概念，并引入了一种新的下界，可可可靠地惩罚最重要的失败模式。我们的理论发现通过对合成和真实世界数据的实验证实，包括 SVHN、CIFAR10 和 CIFAR100，因此显示我们的目标函数能够在聚类、生成和外分布检测性能方面远远优于现有的自监督学习策略。我们还证明 GEDI 可以集成到神经符号框架中，以减轻推理的快捷问题，并通过增强的分类性能学习更高质量的符号表示。

Dec, 2023