基于信道级特征聚合的神经网络接收器离群检测
机器学习
2026-01-15 v2 信号处理
摘要
神经网络基于的无线接收器预计将在未来的无线系统中发挥关键作用，因而可靠的离群检测（Out-Of-Distribution, OOD）至关重要。我们提出了一个基于信道级特征聚合的后置、层级 OOD 框架，避免使用类别统计方法——这对于多标签软位输出（拥有极多类别）至关重要。接收器激活显示没有离散聚类，而是与信噪比（Signal-to-Noise-Ratio, SNR）对齐的光滑流形，这与经典接收器行为一致，催化了基于流形的 OOD 检测。我们评估了多个 OOD 特征类型、距离度量和方法。高斯马哈拉逊距离以均值激活为最强的单一检测器，较早的层次优于较后的层次，SNR/分类器融合提供小且不一致的 AUROC 增益。高延迟 OOD 可靠检测，而高速检测仍具有挑战性。
引用
@article{arxiv.2505.15570,
title = {Out-of-Distribution Detection via Channelwise Feature Aggregation in Neural Network-Based Receivers},
author = {Marko Tuononen and Heikki Penttinen and Duy Vu and Dani Korpi and Vesa Starck and Ville Hautamäki},
journal= {arXiv preprint arXiv:2505.15570},
year = {2026}
}
备注
50 pages, 39 figures, 48 tables, and 31 equations