基于VAE的特征解缝：广义GNSS干扰分类中的数据增强与压缩
机器学习
2025-04-16 v1 人工智能
计算机视觉与模式识别
摘要
分布式学习和边缘AI需要高效的数据处理、低延迟通信、去中心化模型训练以及严格的数据隐私，以在边缘设备上实现实时智能，同时减少对集中基础设施的依赖并确保高模型性能。在全球导航卫星系统(GNSS)应用中，主要目标是准确监测和分类在分布式环境中会降低系统性能的干扰，从而增强情境意识。为此， 可以在低资源设备上部署机器学习(ML)模型，确保最小通信延迟并保留数据隐私。关键挑战是在保持高分类精度的同时压缩ML模型。本文我们提出变分自编码器(VAEs)用于解缝，以提取可实现准确干扰分类的关键潜在特征。我们演示了解缝方法可用于数据压缩和数据增强，通过对信号功率的低维潜在表示进行插值。为验证我们的方法，我们在四个数据集上评估三个VAE变体——香草VAE、因子化VAE和条件生成VAE，其中包括两个在受控室内环境中收集的数据集和两个真实世界高速公路数据集。此外，我们进行大规模超参数搜索以优化性能。我们提出的VAE实现了从512到8192的数据压缩率，分类精度可达99.92%。
引用
@article{arxiv.2504.10555,
title = {Beyond the Generative Learning Trilemma: Generative Model Assessment in Data Scarcity Domains},
author = {Marco Salmè and Lorenzo Tronchin and Rosa Sicilia and Paolo Soda and Valerio Guarrasi},
journal= {arXiv preprint arXiv:2504.10555},
year = {2025}
}