论鲁棒模型在调制识别中的益处
信号处理
2021-03-30 v1 机器学习
摘要
鉴于电信系统的快速变化及其对人工智能的更高依赖，拥有能在不同、可能不利条件下表现良好的模型愈发重要。使用卷积层的深度神经网络（DNNs）在通信领域的许多任务中处于最先进（SOTA）水平。然而，在图像分类等其他领域，DNNs 已被证明易受对抗扰动影响——即添加到数据上、难以察觉的精心构造噪声，会使模型误分类。这引发了人们对 DNNs 在通信任务（尤其是调制识别）中安全性的质疑。我们提出一种新颖框架来测试当前 SOTA 模型的鲁棒性，其中对抗扰动强度依赖于信号强度，并以“信号到扰动比”（SPR）度量。我们表明当前 SOTA 模型易受此类扰动影响。与当前图像分类主题的研究不同，调制识别允许我们通过观察星座空间轻松获取 DNNs 所学特征有用性的洞见。在分析这些脆弱模型时，我们发现对抗扰动并未将符号在星座空间中移向最近类别。这表明 DNNs 并未将其决策建立在对于贝叶斯最优调制识别模型重要的信号统计之上，而是建立在训练数据中的伪相关上。我们的特征分析与所提框架有助于寻找通信系统中更优模型的任务。
引用
@article{arxiv.2103.14977,
title = {On the benefits of robust models in modulation recognition},
author = {Javier Maroto and Gérôme Bovet and Pascal Frossard},
journal= {arXiv preprint arXiv:2103.14977},
year = {2021}
}