Neues Multi-Task-Modell verbessert Interferenz-Erkennung drastisch

Ein neues arXiv-Papier präsentiert einen theoretisch fundierten Multi‑Task‑Learning‑Ansatz, der gleichzeitig Interferenz‑Erkennung, Modulationsidentifikation und Interferenzidentifikation durchführt. Durch die gleichzeitige Lösung dieser drei Aufgaben soll die Zuverlässigkeit von Kommunikationssystemen in nicht‑kooperativen Funkumgebungen deutlich gesteigert werden.

Die Autoren leiten zunächst eine obere Schranke für den gewichteten Erwartungsfehler in Multi‑Task‑Learning‑Modellen ab. Diese Schranke verbindet die Leistung des Modells explizit mit der Ähnlichkeit der Aufgaben, die mittels Wasserstein‑Distanz und lernbarer Aufgaben‑Beziehungskoeffizienten quantifiziert wird. Auf dieser theoretischen Basis wird das neue Netzwerk AMTIDIN (Adversarial Multi‑Task Interference Detection and Identification Network) entwickelt.

AMTIDIN nutzt adversariales Training, um die Verteilungslücken zwischen den Aufgaben zu minimieren, und setzt adaptive Koeffizienten ein, die die Aufgaben­korrelationen dynamisch modellieren. Eine quantitative Analyse der Aufgaben­ähnlichkeit zeigt, dass Modulationsidentifikation und Interferenzidentifikation ein starkes Feature‑Überlappungs‑Muster teilen, das sich deutlich von der Interferenz‑Erkennung unterscheidet.

Umfangreiche Experimente demonstrieren, dass AMTIDIN sowohl die Robustheit als auch die Generalisierungsfähigkeit gegenüber herkömmlichen ein‑Aufgaben‑Modellen (STL) und aktuellen Multi‑Task‑Baselines deutlich verbessert. Das Ergebnis unterstreicht das Potenzial von adversarialen Multi‑Task‑Learning‑Ansätzen für die Signalverarbeitung in komplexen Funkumgebungen.