面向低资源自动调制识别的数据扩充框架：基于主动学习的 DUSE
机器学习
2025-07-17 v1 人工智能
摘要
尽管深度神经网络在自动调制识别 (AMR) 领域取得了显著成就，但这些模型通常需要大量标记数据进行训练。然而，在许多实际场景中，可用目标域数据稀缺，难以满足模型训练的需求。最直接的方法是收集数据并进行专家标注，但高的时间和劳动成本难以承受。另一种常见方法是数据增强。虽然它在一定程度上丰富了训练样本，但无法引入新数据，因而无法根本解决数据稀缺的问题。为了应对这些挑战，我们引入了一个数据扩充框架，称为动态不确定性驱动样本扩充 (DUSE)。具体而言，DUSE 使用不确定性评分函数从相关 AMR 数据集中筛选出有用样本，并采用主动学习策略持续细化该评分器。广泛的实验表明，DUSE 在 class-balanced 和 class-imbalance 设置下均 consistently 优于 8 个 coreset 选择基线。此外，DUSE 在针对未知模型的跨架构 generalization 上表现出强大的能力。
引用
@article{arxiv.2507.12011,
title = {DUSE: A Data Expansion Framework for Low-resource Automatic Modulation Recognition based on Active Learning},
author = {Yao Lu and Hongyu Gao and Zhuangzhi Chen and Dongwei Xu and Yun Lin and Qi Xuan and Guan Gui},
journal= {arXiv preprint arXiv:2507.12011},
year = {2025}
}