スペクトラムトランスフォーマー：注意に基づく広帯域スペクトル検出器

データ駆動型機械学習技術は、複雑なワイヤレス環境における信号検出に推奨されています。しかし、広帯域スペクトルセンシングシナリオに適用すると、非常に大きなデータの次元、十分でないトレーニングデータ、そして暗黙のバンド間依存性などの実際的な課題に直面します。現在の文献は深層畳み込みモデルに焦点を当てており、その固有のモデル構造は実際の広帯域ネットワークの多様なスペクトル占有パターンを表現するのには適しておらず、効率的な性能と複雑さのトレードオフを妨げ、過剰なセンシング時間を引き起こしています。これらの問題に対処するために、本論文では高いサンプル効率で広帯域スペクトルセンシングのためのマルチタスク学習を備えた新しいスペクトラムトランスフォーマーを開発しました。マルチヘッド自己注意機構によって強化されたトランスフォーマーアーキテクチャは、広帯域範囲におけるバンド内スペクトル特性とバンド間スペクトル占有相関の両方を効果的に学習するように設計されています。シミュレーション結果は、提案されたスペクトラムトランスフォーマーが特に小データケースにおいて畳み込みニューラルネットワークに基づく既存の手法を上回ることを示し、モデルの複雑さを89%削減しながら、より高いセンシング精度を達成します。