DenoMAE：用于去噪调制信号的多模态自编码器
机器学习
2025-01-22 v1
摘要
我们提出去噪掩码自编码器(DenoMAE)，是一个新的多模态自编码器框架，用于在预训练期间对调制信号进行去噪。DenoMAE 扩展了掩码自编码器的概念，通过融合多种输入模态（包括将噪声作为显式模态），以增强跨模态学习并提高去噪性能。该网络使用无标记的噪声调制信号和星座图进行预训练，有效学习重构其等效无噪声信号和星座图。DenoMAE 在自动调制分类任务中实现了最先进的准确率，相较于现有方法，仅需 10% 的无标签预训练数据和 3% 的有标签微调数据。此外，本模型在不同信噪比(SNR)下表现稳健，并支持对未见的较低 SNR 的外推。结果表明，DenoMAE 是一个高效、灵活且数据高效的去噪和分类调制信号的解决方案，适用于噪声密集的环境。
引用
@article{arxiv.2501.11538,
title = {DenoMAE: A Multimodal Autoencoder for Denoising Modulation Signals},
author = {Atik Faysal and Taha Boushine and Mohammad Rostami and Reihaneh Gh. Roshan and Huaxia Wang and Nikhil Muralidhar and Avimanyu Sahoo and Yu-Dong Yao},
journal= {arXiv preprint arXiv:2501.11538},
year = {2025}
}