SafeAMC：面向鲁棒调制识别模型的对抗训练
信号处理
2021-05-31 v1 机器学习
摘要
在通信系统中，有许多任务（如调制识别）依赖于深度神经网络（DNN）模型。然而，这些模型已被证明易受对抗扰动影响，即精心构造的不可感知加性噪声会诱导误分类。这引发了对模型预测安全性乃至总体可信度的质疑。我们提出使用对抗训练（即利用对抗扰动微调模型）来增强自动调制识别（AMC）模型的鲁棒性。我们表明当前最先进（SOTA）的模型受益于对抗训练，其缓解了部分调制族系的鲁棒性问题。我们利用对抗扰动可视化所学特征，发现鲁棒模型中的信号符号在星座空间中向最近类别偏移，类似于最大似然方法。这证实鲁棒模型不仅更安全，也更可解释，其决策建立在调制识别相关的信号统计之上。
引用
@article{arxiv.2105.13746,
title = {SafeAMC: Adversarial training for robust modulation recognition models},
author = {Javier Maroto and Gérôme Bovet and Pascal Frossard},
journal= {arXiv preprint arXiv:2105.13746},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2103.14977