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

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

Radio Frequency Fingerprinting 通过 Deep Learning 技术实现 IoT 设备的认证，提出了一种基于设备硬件级别制造缺陷的无线认证平台 SignCRF，可以在动态环境下精准识别 LoRa 和 WiFi 设备。

Mar, 2023

在现代机器学习模型中，单机上训练这些规模的模型往往变得不现实，因此越来越多的人开始借用联邦学习技术以分布式和协作的方式来训练大规模机器学习模型。然而，当这些模型在新设备上部署时，可能因为领域转移而难以泛化。本文中，我们介绍了 RF-TCA，这是对标准的转移组件分析方法的改进，它在不损害理论和实证性能的情况下显著加速了计算过程。利用 RF-TCA 的计算优势，我们进一步将其扩展到联邦领域适应性设置中的 FedRF-TCA。所提出的 FedRF-TCA 协议在通信复杂度上与样本大小无关，同时保持着与最先进的联邦领域适应性方法相当甚至超过其性能。我们进行了大量实验来展示 FedRF-TCA 的卓越性能和对网络条件的稳健性。

Nov, 2023

本研究提出了基于领域对抗训练、差异最小化和矩匹配方法的三种新的自适应方法，以在多个声学领域中进一步提高自适应性能。实验表明，多种声学环境确实会影响讲话者识别性能，并且领域对抗训练、差异最小化和矩匹配自适应都能在多个声学领域中同时实现有效性能。

Nov, 2022

提出一种名为 FAFRCNN 的基于源域数据训练的检测器的 few-shot adaptation 方法，通过配对机制和双层模块来实现对目标域中目标检测的准确性提高。

Mar, 2019

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

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