RML benchmarks

新的几何感知框架提高了少样本调制识别的准确性

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。