ترجمه فارسی مقاله تقطیر نویز برچسب هدایت‌شده با متا-یادگیری برای طبقه‌بندی مدولاسیون سیگنال قوی

چکیده

Automatic modulation classification (AMC) is an effective way to deal with physical layer threats of the internet of things (IoT). However, there is often label mislabeling in practice, which significantly impacts the performance and robustness of deep neural networks (DNNs). In this paper, we propose a meta-learning guided label noise distillation method for robust AMC. Specifically, a teacher-student heterogeneous network (TSHN) framework is proposed to distill and reuse label noise. Based on the idea that labels are representations, the teacher network with trusted meta-learning divides and conquers untrusted label samples and then guides the student network to learn better by reassessing and correcting labels. Furthermore, we propose a multi-view signal (MVS) method to further improve the performance of hard-to-classify categories with few-shot trusted label samples. Extensive experimental results show that our methods can significantly improve the performance and robustness of signal AMC in various and complex label noise scenarios, which is crucial for securing IoT applications.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی مدولاسیون خودکار (AMC) یک روش مؤثر برای مقابله با تهدیدهای لایه فیزیکی اینترنت اشیاء (IoT) است.با این حال ، اغلب در عمل گمراهی برچسب وجود دارد ، که به طور قابل توجهی بر عملکرد و استحکام شبکه های عصبی عمیق (DNN) تأثیر می گذارد.در این مقاله ، ما یک روش تقطیر نویز برچسب با هدایت متا را برای AMC قوی پیشنهاد می کنیم.به طور خاص ، یک چارچوب شبکه ناهمگن معلم و دانش آموز (TSHN) برای تقطیر و استفاده مجدد از سر و صدای برچسب پیشنهاد شده است.بر اساس این ایده که برچسب ها بازنمایی هستند ، شبکه معلم با تقسیم متا قابل اعتماد و نمونه های برچسب غیرقابل اعتماد را فتح می کند و سپس شبکه دانشجویی را راهنمایی می کند تا با ارزیابی مجدد و تصحیح برچسب ها بهتر یاد بگیرند.علاوه بر این ، ما یک روش سیگنال چند منظوره (MVS) را برای بهبود بیشتر عملکرد دسته های سخت طبقه بندی شده با نمونه های برچسب قابل اعتماد چند شات پیشنهاد می کنیم.نتایج تجربی گسترده نشان می دهد که روشهای ما می توانند عملکرد و استحکام AMC سیگنال را در سناریوهای مختلف و پیچیده نویز برچسب بهبود بخشند ، که برای تأمین برنامه های IoT بسیار مهم است.