用于鲁棒调制分类的最大似然蒸馏
机器学习
2022-11-03 v1 信号处理
摘要
深度神经网络正被广泛应用于通信系统，特别是自动调制分类（AMC）中。然而，它们极易受到精心构造以改变网络决策的小规模对抗扰动的影响。本工作中，我们基于知识蒸馏思想与对抗训练来构建更鲁棒的 AMC 系统。我们首先阐明了训练数据质量对于模型准确性与鲁棒性的重要性。随后，我们提出使用在离线设置中可解决 AMC 问题的最大似然函数，以生成更好的训练标签。这些标签教导模型在挑战性条件下保持不确定，结合对抗训练后可提升模型的准确性与鲁棒性。有趣的是，我们观察到这种性能提升可迁移至在线设置，而在实践中在线设置无法使用最大似然函数。总体而言，本工作凸显了在困难场景中学习保持不确定、而非直接去除标签噪声的潜力。
引用
@article{arxiv.2211.00748,
title = {Maximum Likelihood Distillation for Robust Modulation Classification},
author = {Javier Maroto and Gérôme Bovet and Pascal Frossard},
journal= {arXiv preprint arXiv:2211.00748},
year = {2022}
}