ドップラー不変CNNによる信号分類

本論文では、競争環境における無線スペクトル監視の必要性から、信号分類のための新しいコンボリューショナルニューラルネットワーク（CNN）のアーキテクチャを提案しています。このCNNは複素値層を持ち、周波数領域におけるコンボリューションシフト同変性を利用しています。従来のモデルがドップラーシフトの付加に依存していたのに対し、提案手法は適応多相サンプリング（APS）をプーリング層に用い、ネットワークの最後でグローバル平均プーリングを行うことで、周波数ビンシフト不変性を確立しています。合成データセットを用いた実験により、我々のモデルはドップラーシフトなしの例でトレーニングを行いながらも、ランダムなドップラーシフトがあっても一貫した分類精度を維持できることが示されました。この方法は、実世界の影響に対する証明可能なロバスト性を提供する、信号分類のための不変性駆動型フレームワークを確立しています。