MCLRL：一种用于少样本调制识别的多域对比学习与强化学习框架
机器学习
2025-02-27 v1
摘要
随着无线通信技术的快速发展，自动调制识别（AMR）在确保通信安全和可靠性方面发挥着关键作用。然而，诸多挑战，包括更高的性能需求、特定场景下数据获取的困难、样本数量有限以及标签质量低，阻碍了其发展。少样本学习（FSL）通过使模型仅使用少量标记样本即可实现满意的性能，为解决这些挑战提供了有效方案。虽然大多数FSL技术应用于计算机视觉领域，但直接适用于无线信号处理的应用有限。本研究不提出新的FSL特定信号模型，而是引入一种称为MCLRL的框架。该框架结合了多域对比学习和强化学习。多域信号表示增强了特征丰富性，而将对比学习和强化学习架构集成 enables 提取分类的深度特征。在下游任务中，该模型仅需少量样本和最小训练周期即可实现优异性能。实验结果表明，MCLRL框架有效提取了信号的关键特征，在FSL任务中表现出色，同时在信号模型选择方面保持灵活性。
引用
@article{arxiv.2502.19071,
title = {MCLRL: A Multi-Domain Contrastive Learning with Reinforcement Learning Framework for Few-Shot Modulation Recognition},
author = {Dongwei Xu and Yutao Zhu and Yao Lu and Youpeng Feng and Yun Lin and Qi Xuan},
journal= {arXiv preprint arXiv:2502.19071},
year = {2025}
}