기하학적 정보를 활용한 대비 학습을 통한 소량 데이터 자동 변조 인식

Geometry-Aware Contrastive Learning for Few-Shot Automatic Modulation Recognition

자동 변조 인식(AMR)을 위한 기존의 자기 지도 학습(SSL)은 비효율적인 등방성 증강, 스펙트럼 불안정성 및 의미론적 드리프트 문제에 직면합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 기하학적 정보를 고려한 프레임워크인 동적 일관성 대비 학습(DyCo-CL)을 제안합니다. DyCo-CL은 가상 적대적 증강(VAA)과 의미론적 일관성 손실을 결합하여 구성됩니다. 이론적인 분석 결과, 이 전략은 인코더에 대한 암묵적인 스펙트럼 정규화 역할을 수행하며, 안정적인 특징 공간 탐색을 가능하게 합니다. 또한, 고정 창 attention을 사용하는 신호 적응형 Swin Backbone은 attention의 국소성을 제한하여 구조적 안정성을 향상시키고, 하이브리드 지식 융합 모듈은 물리적 사전 지식을 활용하여 표현(representation)을 강화합니다. RML 벤치마크에서의 실험 결과, DyCo-CL은 기존 방법 대비 1-shot 설정에서 6.27%의 정확도 향상을 달성했습니다.

Standard Self-Supervised Learning (SSL) for Automatic Modulation Recognition (AMR) struggles with ineffective isotropic augmentations, spectral instability, and semantic drift. To address these challenges, we propose Dynamic-Consistency Contrastive Learning (DyCo-CL), a geometry-aware framework that couples Virtual Adversarial Augmentation (VAA) with a semantic consistency loss. We provide a theoretical analysis indicating that this strategy acts as an implicit spectral regularizer for the encoder, enabling stable manifold exploration. Complementing this, our Signal-Adaptive Swin Backbone with fixed-window attention improves structural stability by constraining attention locality, while a Hybrid Knowledge Fusion module anchors representations with physical priors. Experiments on RML benchmarks show that DyCo-CL achieves a 6.27% accuracy gain in 1-shot settings over prior methods.