[論文レビュー] Robust Deep Sensing Through Transfer Learning in Cognitive Radio

Qihang Peng, Andrew Gilman+3 more|arXiv (Cornell University)|Aug 1, 2019

Cognitive Radio Networks and Spectrum Sensing参考文献 14被引用数 8

ひとこと要約

本稿では、畳み込みニューラルネットワーク（CNN）を用いて生信号サンプルを直接処理するディーブラーニングベースのスペクトラムセンシングフレームワークを提案する。トランスファーラーニングにより、ロバスト性が向上する。新しい無線環境に適用する場合、ラベル付きのターゲットデータを少量用いて微調整することで、訓練から再び開始するか、従来のエネルギー検出法よりも性能が著しく向上する。特に、信号タイプや伝搬条件が変化する状況下でも顕著である。

ABSTRACT

We propose a robust spectrum sensing framework based on deep learning. The received signals at the secondary user's receiver are filtered, sampled and then directly fed into a convolutional neural network. Although this deep sensing is effective when operating in the same scenario as the collected training data, the sensing performance is degraded when it is applied in a different scenario with different wireless signals and propagation. We incorporate transfer learning into the framework to improve the robustness. Results validate the effectiveness as well as the robustness of the proposed deep spectrum sensing framework.

研究の動機と目的

• トレーニングシナリオとは異なる無線環境に適用した際の、ディープラーニングベースのスペクトラムセンシングにおけるロバスト性の欠如に対処する。
• テスト条件と同一に分布する大量のラベル付きデータを必要とするという制限を克服する。
• 事前学習されたディープモデルを、最小限のラベル付きデータで新しい信号タイプや伝搬環境に適応させるために、トランスファーラーニングを検討する。
• ラベルなし（ターゲットデータなし）およびラベル付き（少数のターゲット例）の両設定において、トランスファーラーニングの有効性を実証する。
• 手作業で特徴を設計しない、エンドツーエンドの生信号入力を用いたロバストで、ディープスペクトラムセンシングのフレームワークを確立する。

提案手法

• 2次元CNNを用い、2層の畳み込み層（カーネルサイズ1×9、フィルタ数256および80）、ReLU活性化関数、ドロップアウト（0.5）、バッチ正則化を適用し、サンプル信号の直交成分（I/Q成分）を処理する。
• 離散時間の複素数値信号系列（2×N）を直接ネットワークに入力し、特徴工学を回避する。
• 二値交差エントロピー損失関数を用いて、SINR（信号インテンシティ）の有無（y=1）または無し（y=0）を予測するためのシグモイド出力層を採用する。
• 微調整によるトランスファーラーニングを適用：例えばQPSKやガウス信号で事前学習した重みを初期値として用い、ターゲットドメインの少量のラベル付き例で微調整する。
• 検出確率（pd）および誤検出確率（pfa）を用いて性能を評価し、確率的要因を考慮するため、10回のランダム初期化の平均値を用いる。
• エネルギー検出（ED）およびターゲットドメインデータのみを用いて訓練する場合と比較する。

実験結果

リサーチクエスチョン

• RQ1 生信号サンプルで学習したディープラーニングモデルは、異なる無線信号タイプや伝搬環境においてもロバストなスペクトラムセンシングを達成できるか？
• RQ2 ターゲット環境からのラベル付きデータが全くない場合、トランスファーラーニングはどの程度効果的か？
• RQ3 ターゲットドメインの少数のラベル付き例を用いた微調整は、訓練から再び開始する場合と比べて、どの程度検出性能を向上させるか？
• RQ4 ソースドメインとターゲットドメインの選択（例：QPSK対ガウス信号）は、スペクトラムセンシングにおけるトランスファーラーニングのロバスト性に影響を与えるか？
• RQ5 トランスファーラーニングに基づくディープセンシングは、多様で同一でない信号およびチャネル条件において、従来のエネルギー検出を上回る性能を示せるか？

主な発見

• ラベル付きターゲットデータが完全に存在しない場合、トランスファーラーニングは信頼性が低く、性能はソースドメインとターゲットドメインのペアリングに強く依存し、ベースラインより一貫した改善が得られない。
• ガウス信号のラベル付き例がたった300例あれば、微調整済みのディープセンシングはpfa=0.1における検出確率（pd）でエネルギー検出を上回る。
• 少数のラベル付き例（100例程度）で微調整しても、複数の信号タイプおよびチャネルモデルにおいて、訓練から再び開始する場合よりも一貫して性能が優れている。
• QPSK + PL → BPSK + PL,Rのケースでは、微調整により受検出特性曲線下の面積（AUC）が938.72に達し、訓練から再び開始した場合の849.61を上回る。
• 事前学習済みモデル（例：QPSKで学習）は強いインダクティブバイアスを提供し、ガウス信号のラベル付きデータがゼロであってもpd > 0.55を達成するが、ランダム初期化ではpd < 0.1にとどまる。
• 全テスト対象の信号およびチャネル組み合わせ（例：QPSKから16QAM、BPSKからQPSK）において、微調整は訓練から再び開始する場合よりも検出性能を一貫して向上させ、十分なデータがあればエネルギー検出を上回る。