面向非 IID 和类别不平衡数据的联邦自监督学习：自动调制分类
机器学习
2025-10-07 v1 人工智能
信号处理
摘要
在中心聚合数据上训练自动调制分类(AMC)模型会引发隐私问题、产生通信开销，并常常难以对抗信道漂移。联邦学习(FL)通过在分布式客户端上训练来避免中心聚合，但对类别不平衡、非 IID 客户端分布以及有限标注样本仍然敏感。我们提出 FedSSL-AMC，在跨客户端的无标签 I/Q 序列上训练一个因果、时序稀疏 CNN，采用三角损失自监督学习，然后在小型标注集上进行 per-client SVM。我们建立了联邦表征学习程序的收敛性，并在特征噪声下为下游分类器提供可分离性保证。在合成数据和 over-the-air 数据集上实验表明，在异构信噪比、载波频率偏移和非 IID 标签分区下，FedSSL-AMC 相对于监督 FL 基线 consistently 获得提升。
引用
@article{arxiv.2510.04927,
title = {Federated Self-Supervised Learning for Automatic Modulation Classification under Non-IID and Class-Imbalanced Data},
author = {Usman Akram and Yiyue Chen and Haris Vikalo},
journal= {arXiv preprint arXiv:2510.04927},
year = {2025}
}