研究人员开发了一个名为动态一致性对比学习（DyCo-CL）的新框架，以改进自监督学习中的自动调制识别（AMR）。这种几何感知方法结合了虚拟对抗增强和语义一致性损失，作为一种隐式谱正则化器，以实现更稳定的流形探索。该框架还包含一个信号自适应Swin骨干网络和一个混合知识融合模块，以增强表示的稳定性并用物理先验来锚定它们。与现有方法相比，DyCo-CL在RML基准测试的1次样本设置中显示出6.27%的准确率提升。 AI
影响 这项研究为改进信号识别任务中的少样本学习提供了一种新颖的方法，有望提高通信系统的性能。
排序理由 该集群包含一篇学术论文，详细介绍了一种用于少样本自动调制识别的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- Dynamic-Consistency Contrastive Learning
- RML benchmarks
- Self-Supervised Learning
- Signal-Adaptive Swin Backbone
- Virtual Adversarial Augmentation
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
