本研究利用深度半监督学习结合数据增强技术、基于一致性正则化和伪标记的方法，大量利用未标记数据进行 RF 指纹识别，并证明我们提出的半监督 RF 指纹识别方法是明显优于其他竞争方法的，且可以在充足的条件下近乎完全监督与学习性能一致。

Apr, 2023

本文介绍一种基于卷积神经网络（CNN）和长短时记忆（LSTM）模型的开集检测方法，该方法有效地应用于 LoRa、无线 WiFi 和有线 WiFi 数据集，提高了 Area Under the Precision-Recall Curve，以便成功监控和控制无线设备的未授权网络访问。

May, 2023

本文探讨了将 RF 指纹技术与密码学和零信任安全措施相结合以保障无线网络中数据隐私、机密性和完整性的可行性，并综述了 RF 指纹技术的历史、应用、相关的深度学习算法，并探讨了该领域未来的发展方向。

Jan, 2022

该论文介绍了一种利用对比学习来缓解无线设备领域转移问题的新颖解决方案，通过实验证明对比学习方法在改善领域转移下的设备分类中起到了显著且一致的提高作用。

Mar, 2024

通过分析无线设备在物理层中的固有硬件缺陷，基于射频指纹（Radio Frequency Fingerprinting，RFF）技术可以在制造过程中对无线设备进行认证。该文探讨了机器学习和深度学习在 RFF 系统中提取和学习特征的能力以及在真实场景中运行该系统所面临的挑战，同时讨论了当前存在的问题以及未来的研究方向。

Oct, 2023

本文提出 DeepRadioID，一个系统，其无需重新训练深度学习模型即可优化基于深度学习的无线电指纹识别算法的准确性，实验结果显示其在三种情况下分别增加了 35％，50％和 58％的指纹识别准确性，并在 100 个设备数据集上实现了 27％的改进。

Apr, 2019

通过测试实验，本文指出基于深度学习从 RF 信号中提取特征进行设备指纹识别存在的域可移植性问题，并提出解决方案以提高其抗域可变性能力。

Nov, 2022

本文提出了一种基于联邦学习算法的无线电频率指纹算法，采用模型转移和适应策略以及在卷积层之间引入密集连接，强化了学习精度并降低了模型复杂度，实现了通信高效和隐私保护，通过从一个信道条件转移学习模型并将其适应于其他信道条件，可以高度准确地预测在环境漂移下的指纹识别率，这种算法在现实世界数据集上的实验表明，相较于基准算法，本文提出的算法可以提高预测性能至多 15%。

Feb, 2023

通过原型分裂 (Prototype Fission，PF) 将类别潜空间分为紧凑的子空间，由粗粒度标签驱动自动细粒度潜空间挖掘，以关闭内部分布集，从而提高半监督学习中对 OOD 样本的拒绝率。

Aug, 2023

本文提出原型为基础的开放式深度神经网络（P-ODN）进行开放集识别任务，将原型和原型半径一起训练，指导卷积神经网络获取更具有辨别性的特征，并采用基于特征和原型之间的距离度量的多类三元组阈值方法检测未知，从而动态包含新类别，实验结果表明，P-ODN 可以有效地检测未知，并且只需要少量的样本进行人工干预来识别新类别。

May, 2019