Feb, 2024

基于不确定性四元组选择的 GNSS 数据干扰分类的小样本学习

PDF
TL;DR我们提出了一种少样本学习方法来适应新的干扰类别，通过使用各种正面和负面干扰类别进行模型表示的四重选择。此外，我们的四重选择方法根据随机性和认识性不确定性选择配对，以区分相似类别。在一个有八种干扰类别的高速公路数据集上，我们的少样本学习方法使用四重选择损失，在干扰源分类准确性方面表现优于其他少样本学习技术，达到 97.66%。
jamming devicesgnssinterferencefew-shot learningquadruplet selection
发现论文，激发创造
  • 基于联邦学习的干扰器分类

    本文研究使用联合学习在每个设备上本地训练干扰信号分类器以进行隐私保护培训程序，以解决私人数据共享的挑战，并成功将六种不同类型的干扰源分类，结果可与需要大量数据通信的完全集中化的解决方案相比拟。

    Jun, 2023

  • 多个无人机的鲁棒路径规划：基于深度强化学习

    本研究旨在针对移动干扰器存在的情况下，寻找多个航空无人机与地面基站的连通性且避开碰撞的路径。我们提出了一种利用离线时间差异学习算法和在线信噪比映射解决该问题的方案。结果表明，在没有干扰器信息的情况下，我们提出的算法可以高效地避免碰撞并实现实时的多无人机导航任务。

    Apr, 2021

  • 干预式少样本学习

    通过构建因果模型，提出了一种新的干预式 Few-Shot 学习范式，与现有的 Fine-tuning 和 Meta-learning 等方法正交，可以显著提高它们的性能，在多个数据集上均取得新的 1-/5-shot 最新成果。

    Sep, 2020

  • 基于校准不确定性的 5G 无人机干扰识别准确可靠方法

    本文提出了五种深度神经网络输入输出处理方法，增加其应用于 5G UAV 安全数据集的输出准确性和可靠性，并且探讨了不同的评估度量以及其中的权衡，结果表明预处理、后置处理和置信度处理都可以提高 DNN 的可靠性和准确性，而且置信度校准，即通过均衡 MC、MA 和 RS 之间的差异实现增强的可靠性，可以使用潜在方法来取代 DNN 中的 Softmax 层分类。

    Nov, 2022

  • 基于广义似然比检测的私有 5G 网络中的单类分类作为干扰检测

    通过分析具有专用设备的无线电信号，我们提出了一种用于检测干扰攻击的方法，并使用卷积神经网络 (CNN) 作为检测器实现广义最大似然比准则 (GLRT)。通过使用包括真实合法信号和人工生成的模拟不同类型干扰信号的数据集训练 CNN，我们评估了该检测器的性能，并展示了其在检测干扰攻击方面的有效性。

    May, 2024

  • 带噪声标签的小样本学习

    介绍了在 few-shot learning（小样本学习）中应对 Label 干扰的技术方法，提出了一种基于 Transformer 的模型（TraNFS）和特征聚合方法，通过在嘈杂的数据集上的测试，验证了这些方法的有效性。

    Apr, 2022

  • 不确定性感知的少样本图像分类

    本文提出了一种不确定性感知的 few-shot 图像分类框架，通过模拟查询和支持样本之间相似度不确定性，提高了模型对有限样本的优化能力，并在基准模型的基础上显著提升了模型性能。

    Oct, 2020

  • 连接小样本学习和适应性：支持查询迁移的新挑战

    本文研究了 Few-Shot Learning 中当 support 和 query 样本来自于不同分布时的问题，提出了一种结合 Optimal Transport 和 Prototypical Networks 的新方法，有效缓解了 Distribution Shift 的影响，提高了模型的表现。

    May, 2021

  • 集成少样本学习用于分类和分割

    本文介绍了少量样本分类和分割的集成任务 (FS-CS)，将两个常规的少量样本学习问题广义化到具有任意图像对的更现实的情境。提出了用于 FS-CS 的集成少量样本学习 (iFSL) 框架，该框架训练学习者构建类别化的前景图，用于多标签分类和像素级分割。同时开发了一个有效的 iFSL 模型，称为 ASNet，该模型利用深层语义相关性和全局自我注意力来生成可靠的前景图。结果表明，所提出的方法在 FS-CS 任务上表现良好，并在标准的少量样本分割基准上取得了最优结果。

    Mar, 2022

  • 音频分类的零样本联邦学习中的新类别

    本研究提出一种统一的零样本框架，用于在联邦学习设置中处理新的 data label 和统计异质性，并通过在不同用户之间执行无监督聚类来区分不同用户之间的新类别。该框架在不同的通信轮数中对两种流行的音频分类应用程序进行了实验评估，分别为关键词识别和城市声音分类，在本地和全局更新中具有新类别的模型和标签的情况下，其平均确定性准确率提高了约 4.041％和 4.258％。

    Jun, 2021