적대적 다중 작업 학습을 통한 간섭 탐지 및 식별 통합
Joint Interference Detection and Identification via Adversarial Multi-task Learning
비협조적 무선 환경에서 통신 시스템의 생존성을 높이려면 정밀한 간섭 탐지와 식별이 필수적이다. 심층 학습(DL)이 이 분야를 발전시켜 왔지만, 기존 단일 작업 학습(single-task learning, STL) 접근법은 내재된 작업 간 상관을 간과한다. 더욱이 새로 등장하는 다중 작업 학습(multi-task learning, MTL) 방법은 작업 관계를 정량화하고 모델링하기 위한 이론적 기반을 종종 갖추지 못한다. 이 공백을 메우기 위해, 우리는 간섭 탐지, 변조 식별(modulation identification), 간섭 식별을 공동으로 수행하는 이론적으로 정당화된 MTL 프레임워크를 수립한다. 먼저 MTL 프레임워크에서 가중 기대 손실의 상한을 유도한다. 이 상한은 MTL 성능을 Wasserstein 거리와 학습 가능한 작업 관계 계수로 정량화된 작업 유사도에 명시적으로 연결한다. 이 이론을 바탕으로, 작업 간 분포 불일치를 최소화하기 위해 적대적 학습을 통합하고 작업 상관을 동적으로 모델링하기 위해 적응형 계수를 사용하는 적대적 다중 작업 간섭 탐지 및 식별 네트워크(AMTIDIN)를 제안한다. 중요하게도, 우리는 작업 유사도에 대한 정량 분석을 수행하여 내재적 작업 관계, 특히 변조 식별과 간섭 식별이 간섭 탐지와는 구별되는 상당한 특징 중첩을 공유한다는 점을 밝혔다. 실험 결과, AMTIDIN은 제한된 학습 데이터, 짧은 신호 길이, 낮은 신호 대 잡음비(SNR)라는 평가 조건에서 독립적으로 학습된 단일 작업 대응 모델 및 MTL 베이스라인을 능가함을 보여준다.