面向少样本自动调制识别的几何感知对比学习
机器学习
2026-05-27 v1 人工智能
摘要
标准自监督学习(SSL)用于自动调制识别(AMR)面临有效性较差的各向同性增强、光谱不稳定性和语义漂移问题。为此，我们提出Dynamic-Consistency Contrastive Learning(DyCo-CL)，一种几何感知框架，将Virtual Adversarial Augmentation(VAA)与语义一致性损失耦合。我们提供理论分析表明，该策略充当编码器的隐式光谱正则化器，启用稳定的流形探索。此外，我们的Signal-Adaptive Swin Backbone通过固定窗口注意力提高结构稳定性，限制注意力局部性；而Hybrid Knowledge Fusion模块用物理先验锚定表示。RML基准实验表明，DyCo-CL在1-shot设置下相对于先前方法实现6.27%的准确率提升。
引用
@article{arxiv.2605.26600,
title = {Geometry-Aware Contrastive Learning for Few-Shot Automatic Modulation Recognition},
author = {Guanqun Zhao and Yitong Liu and Jiaxuan Fang and Yufei Mao and Hongwen Yang},
journal= {arXiv preprint arXiv:2605.26600},
year = {2026}
}