GAC-KAN：面向 GenAI 驱动消费级边缘设备的超轻量 GNSS 干扰分类器
机器学习
2026-02-13 v1 计算机视觉与模式识别
摘要
生成式人工智能（GenAI）正在消费电子（CE）中实现应用革命，从可穿戴设备上的 AI 助理到自动无人机上的生成式规划，这些应用对边缘硬件构成巨大的计算负担，导致在资源极其受限的 GenAI 芯片上为基本安全任务（如全球导航卫星系统（GNSS）信号保护）留下的计算资源严格不足。此外，为此类设备训练鲁健分类器面临真实世界干扰数据稀缺的挑战。为此，本文提出了 GAC-KAN 框架。首先，我们采用基于物理的仿真方法合成大规模高保真干扰数据集，缓解数据瓶颈。其次，为协调 GenAI 本机芯片严格的资源约束下的高精度，我们设计了多尺度幽灵-ACB 坐标（MS-GAC）主干网络。该主干网络结合非对称卷积块（ACB）和幽灵模块，以最小化冗余的方式提取丰富的时频特征。取代传统多层感知器（MLP）决策头，我们引入 Kolmogorov-Arnold 网络（KAN），其采用可学习的样条激活函数以显著更少的参数实现卓越的非线性映射能力。实验结果表明，GAC-KAN 实现了 98.0% 的总体准确率，优于最先进的基线方法。显著的是，该模型仅包含 0.13 百万参数——约比视觉转换器（ViT）基线方法少 660 倍。这一极致轻量特性使 GAC-KAN 成为理想的“随时待机”安全伴侣，确保 GNSS 可靠性而不与主要 GenAI 任务争夺计算资源。
引用
@article{arxiv.2602.11186,
title = {GAC-KAN: An Ultra-Lightweight GNSS Interference Classifier for GenAI-Powered Consumer Edge Devices},
author = {Zhihan Zeng and Kaihe Wang and Zhongpei Zhang and Yue Xiu},
journal= {arXiv preprint arXiv:2602.11186},
year = {2026}
}