Noise-Aware Ensemble Learning for Efficient Radar Modulation Recognition
원문 초록
Electronic warfare support (ES) systems intercept adversary radar signals and estimate various types of signal information, including modulation schemes. The accurate and rapid identification of modulation schemes under conditions of very low signal power remains a significant challenge for ES systems. This paper proposes a recognition model based on a noise-aware ensemble learning (NAEL) framework to efficiently recognize radar modulation schemes in noisy environments. The NAEL framework evaluates the influence of noise on recognition and adaptively selects an appropriate neural network structure, offering significant advantages in terms of computational efficiency and recognition performance. We present the analysis results of the recognition performance of the proposed model based on experimental data. Our recognition model demonstrates superior recognition accuracy with low computational complexity compared to conventional classification models.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Modular Norm RandOpt: 아키텍처 인식 교란을 통한 인구 효율적 앙상블
Modular Norm RandOpt: Population-Efficient Ensembling through Architecture-Aware Perturbations
RandOpt는 가중치가 교란된 언어 모델을 샘플링하고 최상위 순위 후보들을 다수결 투표로 앙상블하지만, 전역 교란 스케일은 모듈마다 다른 기하 구조를 무시한다. 우리는 Modular Norm RandOpt를 제안한다. 이는 모듈별 natural norm과 보정된 스케일을 사용하는 아키텍처 인식 샘플링 방법으로, 선택과 투표 방식은 그대로 유지한다. Countdown에서는 RandOpt보다 $3\times$ 적은 후보로 더 나은 성능을, GSM8K에서는 최소 $12\times$ 적은 후보로 더 나은 성능을 보이며, 이에 상응하는 wall-clock 절감이 있다. 7개 과제와 Qwen 3가지 규모($0.5$B--$3$B)에 걸친 평가에서 Countdown, GSM8K, MATH-500에서 모든 규모에서 RandOpt보다 평균 정확도가 더 높다. 이득은 Countdown과 GSM8K에서 Llama 3.2 $3$B와 Gemma 3 $4$B까지 확장된다. Qwen2.5-1.5B에서는 비교 가능한 main-run 평가 예산에서 두 과제 모두 반복적 베이스라인보다 평균 정확도가 더 높은 앙상블도 달성한다. GSM8K에서 tail-density 진단은 후보 감소가 $1.2$--$1.8\times$에 불과함을 시사하는 반면, 앙상블 개선의 대부분은 더 유리한 correct-expert support와 연관된다. 이러한 결과는 교란 기하학이 사전학습 모델 주변의 인구 효율적·그래디언트 없는 탐색에서 핵심 설계 선택임을 부각한다.
자원 제약 환경에서의 다중 클래스 악성코드 분류 성능 향상
Enhancing Multiclass Malware Classification in Resource-Constrained Environments
랜섬웨어, 스파이웨어, 트로이 목마 등과 같은 다중 클래스(multi-class) 악성코드 공격의 출현은 사이버 보안, 특히 사물인터넷(IoT) 기기와 같은 자원 제약 환경에 점점 더 심각한 위협이 되고 있다. 기존 머신러닝 모델들은 이진 악성코드 분류에서 거의 완벽한 정확도를 달성했으나, 악성코드 패밀리 및 개별 악성코드를 분류하는 데에는 미치지 못하고 있다. 또한, 다중 클래스 탐지는 일반적으로 높은 연산 능력을 필요로 하므로, 이러한 다중 클래스 악성코드 공격의 복잡성은 자원 제약 환경에서의 탐지에 상당한 어려움을 초래한다. 본 연구는 다중 클래스 악성코드 분류의 탐지 정확도를 향상시키는 동시에 자원 제약 기기에서 효율적으로 실행될 수 있는 경량 모델을 개발함으로써 이러한 격차를 해소한다. 본 논문에서는 데이터 균형을 위한 SMOTE 오버샘플링 및 SOM-US 언더샘플링 기법과 유전 알고리즘(Genetic Algorithm)을 통한 정교한 특징(feature) 선택을 특징으로 하는 LightGBM 분류기 기반의 강력하고 가벼운 머신러닝 모델을 제안한다. 이 모델은 동일한 데이터셋에서 개발된 기존 최고 수준(state-of-the-art)의 모델들보다 우수한 성능을 보여, 악성코드 패밀리 분류(4개 클래스) 및 개별 악성코드 유형 분류(16개 클래스)에서 각각 89.1%와 76%의 정확도를 기록하였다. 이를 통해 자원 제약 환경에서 분류 정확도와 연산 효율성 간의 균형을 유지한다. 나아가, 악성코드 패밀리 분류에서 91.2%, 개별 악성코드 분류에서 78.7%의 정확도를 달성한 Random Forest 분류기를 활용한 또 다른 모델을 제안하며, 기존 최고 수준의 모델 대비 정확도 측면에서 상당한 향상을 입증한다.
가상 신경망: 한 몸 속 수백 개의 영혼
Virtual neural networks: hundreds of souls in a body
학습 가능한 파라미터 수는 일정하게 유지하면서 확장성은 오로지 연산 자원만으로 달성하는 새로운 개념인 가상 신경망(virtual neural networks)을 제안한다. 이 개념은 임의의 표준 합성곱 신경망으로 구현할 수 있는 추상적 프레임워크이며, 소수의 물리적 모델에서 유도된 가중치를 공유하는 다수의 가상 모델을 생성함으로써 Siamese 신경망과 딥 앙상블 기법을 결합한다. 앙상블은 최대 수백 개의 학습된 모델을 동시에 구성한다. 모든 가상 신경망은 동일한 입력을 받으며, 상호 연결된 구조가 내부 왜곡을 유발해 전체 앙상블의 견고성을 높인다. 용량을 바꾸지 않고 가상 신경망 수가 늘어날수록 앙상블 정확도가 향상된다. 가상 신경망은 더 큰 용량의 모델, 일반적인 딥 앙상블, SWA 및 Masksembles 같은 최신 접근법보다 우수하다. 또한 앙상블에서 가장 성능이 좋은 개별 모델은 파라미터 수가 더 많은 모델을 포함해 개별적으로 학습된 다른 모델들을 능가한다. Code: gitlab.com/EnginCZ/virtual-models-public
PACE-dLLM: 확산 언어 모델을 위한 신뢰도 절벽 추정 기반 탄력적 블록 디코딩
PACE-dLLM: Elastic Block Decoding via Confidence Cliff Estimation for Diffusion Language Models
FFM-CP: 퓨샷 계산병리학을 위한 비전-언어 기반 모델의 교차 백본 융합
FFM-CP: Cross-Backbone Fusion of Vision-Language Foundation Models for Few-Shot Computational Pathology
병리학 비전-언어 기반 모델은 질환과 과제에 따라 성능이 달라지며, 어떤 단일 모델도 일관되게 최고 성능을 내지 못한다. 전문가 병리 주석의 높은 비용은 과제별 적응에 사용할 수 있는 라벨 데이터를 제한하기도 한다. 상호 보완적인 사전학습 표현을 결합하는 것은 이러한 한계에 대한 잠재적 접근이지만, 소수의 라벨 예시로부터 효과적인 융합을 학습하는 것은 여전히 어렵다. 본 연구는 퓨샷 학습 설정에서 여러 병리학 비전-언어 모델을 결합하는 프레임워크인 Few-shot Fusion Foundation Models of Computational Pathology(FFM-CP)를 제안한다. 이 프레임워크는 먼저 대응하는 서포트 이미지로부터 추정한 폐형식(closed-form) 직교 프로크루스테스(Orthogonal Procrustes) 변환을 사용하여 이질적인 표현을 정렬한다. 이 정렬은 추가 정렬 네트워크를 학습하지 않고도 모델 내부 특징 기하를 보존한다. 정렬된 공간 안에서 통합 그래프는 서포트 이미지 특징과 시각·텍스트 클래스 프로토타입을 공동으로 정제함으로써 백본 간 정보 교환을 가능하게 한다. 이렇게 정제된 표현은 의미적 클래스 지식과 클래스 내 시각적 변이를 각각 포착하는 상호 보완적인 텍스트-프로토타입 분기와 케이스 검색(case-retrieval) 분기를 지원한다. 각 분기는 모든 순서화된 백본 쌍의 예측을 결합하는 방법을 학습하여, 한 모델로 인코딩된 쿼리가 다른 모델이 표현한 증거를 활용할 수 있게 한다. 우리는 6개의 조직병리학 데이터셋에서 클래스당 4, 8, 16샷 조건으로 3가지 백본 조합을 평가했다. FFM-CP는 54번 비교 중 50번에서 각 융합 집합의 개별 적응 멤버 중 가장 강한 모델보다 더 높은 평균 macro-F1을 달성했다. 이러한 결과는 주석이 제한될 때 상호 보완적인 사전학습 표현의 결합이 조직병리학 분류를 개선할 수 있음을 시사한다.
정교한 축출 정책이 실패할 때: LLM 접두 문맥 재사용을 위한 캐시 교체 정책의 재고
When Fancy Eviction Fails: Rethinking Cache Replacement For LLM Prefix Reuse
토론
이 논문과 연결된 포럼 글이 아직 없습니다.