ترجمه فارسی مقاله MDM: پیشبرد تطبیق توزیع چند دامنه‌ای برای سنتز خودکار مجموعه داده‌های تشخیص مدولاسیون

چکیده

Recently, deep learning technology has been successfully introduced into Automatic Modulation Recognition (AMR) tasks. However, the success of deep learning is all attributed to the training on large-scale datasets. Such a large amount of data brings huge pressure on storage, transmission and model training. In order to solve the problem of large amount of data, some researchers put forward the method of data distillation, which aims to compress large training data into smaller synthetic datasets to maintain its performance. While numerous data distillation techniques have been developed within the realm of image processing, the unique characteristics of signals set them apart. Signals exhibit distinct features across various domains, necessitating specialized approaches for their analysis and processing. To this end, a novel dataset distillation method–Multi-domain Distribution Matching (MDM) is proposed. MDM employs the Discrete Fourier Transform (DFT) to translate timedomain signals into the frequency domain, and then uses a model to compute distribution matching losses between the synthetic and real datasets, considering both the time and frequency domains. Ultimately, these two losses are integrated to update the synthetic dataset. We conduct extensive experiments on three AMR datasets. Experimental results show that, compared with baseline methods, our method achieves better performance under the same compression ratio. Furthermore, we conduct crossarchitecture generalization experiments on several models, and the experimental results show that our synthetic datasets can generalize well on other unseen models.

چکیده به فارسی (ترجمه ماشینی)

اخیراً ، فناوری یادگیری عمیق با موفقیت در وظایف تشخیص خودکار مدولاسیون (AMR) معرفی شده است.با این حال ، موفقیت یادگیری عمیق همه به آموزش مجموعه داده های در مقیاس بزرگ نسبت داده می شود.چنین مقدار زیادی از داده ها فشار زیادی به آموزش ذخیره ، انتقال و آموزش مدل وارد می کند.به منظور حل مشکل تعداد زیادی از داده ها ، برخی از محققان روش تقطیر داده ها را ارائه می دهند ، که هدف آن فشرده سازی داده های آموزش بزرگ به مجموعه داده های مصنوعی کوچکتر برای حفظ عملکرد آن است.در حالی که تکنیک های تقطیر داده های بی شماری در قلمرو پردازش تصویر ایجاد شده است ، ویژگی های منحصر به فرد سیگنال ها آنها را از هم جدا می کند.سیگنال ها ویژگی های متمایز را در حوزه های مختلف به نمایش می گذارند ، که نیاز به رویکردهای تخصصی برای تجزیه و تحلیل و پردازش آنها دارند.برای این منظور ، یک روش تقطیر مجموعه داده های جدید-تطبیق توزیع دامنه-دامنه (MDM) ارائه شده است.MDM از تبدیل گسسته فوریه (DFT) برای ترجمه سیگنال های Timedomain به دامنه فرکانس استفاده می کند ، و سپس از یک مدل برای محاسبه ضررهای تطبیق توزیع بین مجموعه داده های مصنوعی و واقعی استفاده می کند ، با توجه به هر دو دامنه زمان و فرکانس.در نهایت ، این دو ضرر برای به روزرسانی مجموعه داده مصنوعی یکپارچه شده اند.ما آزمایش های گسترده ای را در سه مجموعه داده AMR انجام می دهیم.نتایج تجربی نشان می دهد که ، در مقایسه با روش های پایه ، روش ما با همان نسبت فشرده سازی به عملکرد بهتر می رسد.علاوه بر این ، ما آزمایش های عمومی سازی Crossarchitecture را بر روی چندین مدل انجام می دهیم ، و نتایج تجربی نشان می دهد که مجموعه داده های مصنوعی ما می توانند در سایر مدل های غیب به خوبی تعمیم دهند.