基于自适应元学习的对抗性训练用于鲁棒的自动调制分类
机器学习
2025-01-06 v1 密码学与安全
摘要
基于深度学习的自动调制分类 (AMC) 模型对对抗性攻击极其敏感，即使是最小的输入扰动也会导致严重的误分类。虽然基于对抗性攻击对 AMC 模型进行对抗性训练显著提高了其对该攻击的鲁棒性，但 AMC 模型仍然对其他对抗性攻击毫无防御能力。理论上无限可能的对抗性扰动意味着，如果 AMC 模型最终部署到实际通信系统中，它们必然会遇到新的未知对抗性攻击。此外，获取新数据的计算限制和实时挑战将不允许在线为 AMC 模型进行完整的训练以适应新攻击。为此，我们提出了一种基于元学习的对抗性训练框架，用于 AMC 模型，显著提高了对未知对抗性攻击的鲁棒性，并通过仅使用少量新训练样本（如果有的话）即可快速适应这些攻击。我们的结果表明，这一训练框架在鲁棒性和准确性方面优于传统的 AMC 模型对抗训练，而所需的在线训练时间更少，使其在实际部署方面具有高度的效率。
引用
@article{arxiv.2501.01620,
title = {Adaptive Meta-learning-based Adversarial Training for Robust Automatic Modulation Classification},
author = {Amirmohammad Bamdad and Ali Owfi and Fatemeh Afghah},
journal= {arXiv preprint arXiv:2501.01620},
year = {2025}
}
备注
Submitted to IEEE International Conference on Communications (ICC) 2025