面向自动调制识别的忘记质量核集选择框架 FoQuS
机器学习
2025-09-11 v1 人工智能
摘要
深度学习基于大规模标记数据已在自动调制识别（AMR）中取得显著进展。然而，在开发新模型或进行超参数调优时，使用大量数据反复训练所需的时间和能源往往难以承受。为此，我们提出了 \emph{FoQuS}，通过从原始数据集中选择核集来近似完整训练的效果，从而显著降低训练开销。具体而言，\emph{FoQuS} 记录每个样本在完整数据集训练期间的预测轨迹，并基于训练动力学构建三个重要性指标。实验表明，\emph{FoQuS} 能在多个 AMR 数据集上仅使用 1%--30% 的原始数据，维持高的识别准确率和良好的跨架构泛化能力。
引用
@article{arxiv.2509.08300,
title = {\emph{FoQuS}: A Forgetting-Quality Coreset Selection Framework for Automatic Modulation Recognition},
author = {Yao Lu and Chunfeng Sun and Dongwei Xu and Yun Lin and Qi Xuan and Guan Gui},
journal= {arXiv preprint arXiv:2509.08300},
year = {2025}
}