弱信号学习数据集及其基线方法
机器学习
2025-12-30 v1
摘要
弱信号学习（WSL）是故障诊断、医学影像和自动驾驶等许多领域面临的共同挑战，在这些领域中，关键信息常被噪声和干扰掩盖，导致特征识别困难。即使在具有丰富强信号的任务中，提升模型性能的关键也往往在于有效提取弱信号。然而，专用数据集的缺乏长期制约着相关研究。为解决这一问题，我们构建了首个用于弱信号特征学习的专用数据集，包含 13,158 个频谱样本。该数据集以低信噪比为主导（超过 55% 的样本信噪比低于 50）并存在极端的类别不平衡（类别比例高达 29:1），为弱信号场景下的分类与回归提供了极具挑战性的基准。我们还提出了一种双视图表示（向量+时频图）以及针对低信噪比、分布偏斜和双重不平衡量身定制的 PDVFN 模型。PDVFN 遵循局部增强、序列建模、噪声抑制、多尺度捕获、频率提取和全局感知的原则，并行提取局部序列特征和全局频域结构。这种多源互补性增强了对低信噪比和不平衡数据的表示，为天文学光谱学等 WSL 任务提供了新方案。实验表明，我们的方法在处理弱信号、高噪声和极端类别不平衡时实现了更高的准确性和鲁棒性，尤其是在低信噪比和不平衡场景中。本研究提供了一个专用数据集和一个基线模型，并为未来的 WSL 研究奠定了基础。
引用
@article{arxiv.2512.23160,
title = {A Weak Signal Learning Dataset and Its Baseline Method},
author = {Xianqi Liu and Xiangru Li and Lefeng He and Ziyu Fang},
journal= {arXiv preprint arXiv:2512.23160},
year = {2025}
}