基于对抗性多任务学习的联合干扰检测与识别
机器学习
2026-04-13 v1 人工智能
密码学与安全
信息论
math.IT
摘要
精确的干扰检测与识别对于增强非合作无线环境下通信系统的生存性至关重要。虽然深度学习（DL）已推进该领域，但现有的单任务学习（STL）方法忽略了固有的任务关联性。此外，新兴的多任务学习（MTL）方法往往缺乏对任务关系进行量化和建模的理论基础。为填补这一差距，我们建立了一个在理论基础上的 MTL 框架，用于联合干扰检测、调制识别和干扰识别。首先，我们推导了加权预期损失在 MTL 框架中的上界，该上界明确将 MTL 性能与任务相似性联系起来，任务相似性由 Wasserstein 距离和可学习的任务关系系数量化。基于此理论，我们提出了对抗性多任务干扰检测与识别网络（AMTIDIN），该网络集成了对抗训练以最小化跨任务的分布差异，并使用自适应系数动态建模任务关联性。关键的是，我们对任务相似性进行了量化分析，揭示了调制识别与干扰识别在特征重叠方面具有显著的共性，这与干扰检测不同。广泛的比较实验表明，AMTIDIN 在鲁棒性和泛化性方面显著优于其任务特定 STL 基线和最先进的 MTL 基线，尤其在训练数据有限、信号长度短和信噪比（SNR）较低的挑战条件下表现更佳。
关键词
引用
@article{arxiv.2604.08607,
title = {Joint Interference Detection and Identification via Adversarial Multi-task Learning},
author = {H. Xu and B. He and S. Wang},
journal= {arXiv preprint arXiv:2604.08607},
year = {2026}
}
备注
13 pages, 13 figures. Submitted to IEEE Transactions on Cognitive Communications and Networking