射频变换器用于信号分离
机器学习
2026-03-11 v1
摘要
我们研究了信号分离的问题：即估计被来自未知非高斯背景/干扰物污染的感兴趣信号（SOI）。给定由 SOI 和干扰物示例组成的训练数据，我们展示了如何构建一个完全数据驱动的信号分离器。为此，我们学习一个适用于 SOI 的良好离散标记器，然后在交叉熵损失下训练一个端到端的变换器。使用交叉熵训练相对于传统均方误差（MSE）方法具有显著改进。我们的标记器是谷歌 SoundStream 方法的修改版，包含额外的变换器层，并从 VQVAE 切换到有限标量量化（FSQ）。在来自 MIT RF 挑战数据集的真实和合成混合信号中，我们的方法实现了竞争性能，包括在从 5G 干扰中分离 QPSK 信号时，位于先前最佳技术之上的 122 倍比特错误率（BER）降低。所学表示对干扰类型适应性强，无需侧向信息，并在推断时对未见过的混合信号实现零样本泛化，凸显了其在射频领域之外的潜在应用。虽然我们在射频混合信号上实现了该方法，但我们期望相同的架构也适用于引力波数据（例如 LIGO 应变）以及其他需要数据驱动建模背景和噪声的科学探测问题。
引用
@article{arxiv.2603.09201,
title = {The Radio-Frequency Transformer for Signal Separation},
author = {Egor Lifar and Semyon Savkin and Rachana Madhukara and Tejas Jayashankar and Yury Polyanskiy and Gregory W. Wornell},
journal= {arXiv preprint arXiv:2603.09201},
year = {2026}
}