利用射频指纹进行设备识别：应对源数据自由场景下的跨接收器挑战
超导电性
2025-12-19 v1
摘要
随着边缘计算的快速普及，射频指纹识别（RFFI）正在变得越来越重要，以实现安全的设备认证。然而，由于接收器差异引入的分布迁移，深度学习基于 RFFI 模型在实际部署中常常会显著性能降级。为解决这一问题，我们研究了源数据自由的跨接收器 RFFI（SCRFFI）问题，即在没有访问任何源域数据的情况下，将预训练于源接收器上的标记信号的模型适应目标接收器上的未标记信号。我们首先提出了一种基于受约束的伪标签化的 SCRFFI 适应框架，并对其泛化性能进行了理论分析。我们的分析突显出一个关键洞见：目标域性能高度取决于适应期间生成的伪标签质量。为此，我们提出了动量软伪标签源假设迁移（MS-SHOT）方法，用于 SCRFFI， incorporates 动量中心引导的软伪标签化，并通过强制全局结构约束来鼓励自信和多样的预测。值得注意的是，MS-SHOT 有效地解决了标签迁移或目标域中未知、非均匀类分布的问题——这一点是先前方法的一个重要局限。大量实验表明，MS-SHOT 在准确性和鲁棒性方面 consistently 优于现有方法，为 RFFI 中的源数据自由跨接收器适应提供了一种实用且可扩展的解决方案。
引用
@article{arxiv.2512.16647,
title = {Observation of REBCO delamination in the resistive insulation nested coils},
author = {Jun Lu and Iain Dixon and Kwangmin Kim and Yan Xin and Hongyu Bai},
journal= {arXiv preprint arXiv:2512.16647},
year = {2025}
}
备注
International symposium on superconductivity (ISS2025), 9 pages, 8 figures