面向电磁分类网络的对抗训练

我们提出了一种领域对抗网络的新变体，对损失函数、训练范式和超参数优化进行了具有显著影响的改进。为 DANN 网络的两个分支（标签预测器和领域分类器）定义了新的损失函数，以促进更快速的梯度下降，提供更与现代神经网络框架的无缝集成，并允许对网络行为进行以往无法实现的推断。利用这些损失函数，可以将“领域”的概念扩展至包含适用于训练数据子集、测试数据或两者任意用户自定义标签。因此，该网络可在两种模式下运行：“即时”模式，即移除特征提取器提供的、指示训练数据中“领域”标签间差异的特征；或“测试集知情”模式，即移除指示训练与测试合并数据中“领域”标签间差异的特征（无需向网络知晓或提供测试活动标签）。本工作还大量借鉴了先前关于鲁棒训练的研究，后者从训练数据周围的 L_inf 球中抽取训练样本，以移除由数据随机波动引起的脆弱特征。在这些网络上，我们探索了领域对抗与鲁棒超参数的超参数优化过程。最后，将该网络应用于构建一个用于识别涡轮泵所发射电磁信号存在的二分类器。在此示例中，鲁棒与领域对抗训练的作用是移除指示设备运行实例间背景差异的特征，从而提供极具判别力的特征用于构建分类器。