自监督无线电表示学习：我们能否学习多个任务？

人工智能（AI）预计将在6G中发挥关键作用。然而，开发AI解决方案的一个关键挑战是训练监督深度学习模型所需的大量数据收集和标注工作。为克服这一问题，自监督学习（SSL）方法最近通过利用大量无标注数据，在各个领域展示了显著成功，实现了接近监督学习的性能。在本文中，我们提出了一种基于动量对比的有效SSL方案，用于无线电信号表示学习。通过应用对比学习，我们的方法从大规模真实世界数据集中提取鲁棒且可迁移的表示。我们评估了这些学习到的表示在两个无线通信任务中的泛化能力：到达角（AoA）估计和自动调制分类（AMC）。结果表明，精心设计的增强和多样化数据使对比学习能够产生高质量、不变的潜在表示。这些表示在编码器权重冻结时仍然有效，微调进一步提升了性能，超越了监督基线。据我们所知，这是首次提出并展示自监督学习在无线电信号跨多个任务中有效性的工作。我们的发现突显了自监督学习通过减少对标注数据的依赖并提高模型泛化能力来变革AI在无线通信中应用的潜力，为可扩展的基础6G AI模型和解决方案铺平道路。