即插即用AMC：上下文在基于LLM的免训练、开放集调制识别中至关重要
机器学习
2025-10-28 v1
摘要
自动调制分类对于高效的频谱管理和鲁棒的无线通信至关重要。然而，由于信号干扰和噪声的复杂相互作用，自动调制分类仍然充满挑战。在这项工作中，我们提出了一个创新框架，将传统信号处理技术与大型语言模型相结合以解决自动调制分类问题。我们的方法利用高阶统计量和累积量估计，将定量信号特征转换为结构化的自然语言提示。通过在这些提示中融入示例上下文，我们的方法利用了大型语言模型对经典信号处理的内在熟悉度，从而无需额外训练或预处理（例如去噪）即可实现有效的单样本分类。在涵盖无噪声和噪声条件的合成数据集上的实验评估表明，我们的框架在多种调制方案和信噪比下均取得了有竞争力的性能。此外，我们的方法为在不同信道条件下构建鲁棒的无线通信基础模型铺平了道路，显著降低了开发特定信道模型的成本。这项工作为下一代无线网络中可扩展、可解释且通用的信号分类系统奠定了基础。源代码可在https://github.com/RU-SIT/context-is-king获取。
引用
@article{arxiv.2505.03112,
title = {Plug-and-Play AMC: Context Is King in Training-Free, Open-Set Modulation with LLMs},
author = {Mohammad Rostami and Atik Faysal and Reihaneh Gh. Roshan and Huaxia Wang and Nikhil Muralidhar and Yu-Dong Yao},
journal= {arXiv preprint arXiv:2505.03112},
year = {2025}
}