Modulation Consistency-based Contrastive Learning for Self-Supervised Automatic Modulation Classification

📄 arXiv: 2605.11875v1 📥 PDF

作者: Chenxu Wang, Shuang Wang, Lirong Han, Xinyu Hu, Hanlin Mo, Hantong Xing, Licheng Jiao

分类: eess.SP, cs.AI

发布日期: 2026-05-12

💡 一句话要点

提出基于调制一致性的对比学习框架Mod-CL，用于自监督自动调制分类。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 自动调制分类 自监督学习 对比学习 调制一致性 无线通信

📋 核心要点

  1. 现有自监督自动调制分类方法依赖于与调制分类任务不一致的预训练目标，导致学习到的表征包含过多干扰因素。
  2. 论文提出Mod-CL框架，利用同一信号不同时间段调制类型一致的先验知识，构建对比学习的正样本对。
  3. 实验表明，Mod-CL在低标签情况下显著优于现有方法，在线性探测精度上取得了提升。

📝 摘要（中文）

基于深度学习的自动调制分类(AMC)方法取得了显著的性能，但其在实际部署中仍然受到标注数据高成本的限制。虽然自监督学习(SSL)降低了对标签的依赖，但现有的基于SSL的AMC方法通常依赖于与调制分类不一致的、任务无关的预训练目标，导致表征与符号、信道和噪声等干扰因素纠缠在一起。本文将实例内的调制一致性识别为任务感知的结构先验，即同一信号的不同时间段可能在波形上有所不同，但保持相同的调制类型，从而为任务对齐的自监督提供了一个原则性的线索。基于此先验，我们提出了Mod-CL，一个基于调制一致性的对比学习框架，它从同一信号实例的不同时间段构建正样本对，以鼓励模型学习共享的调制信息，同时抑制干扰变化。我们进一步开发了一种针对Mod-CL的对比目标，它共同利用时间分割和数据增强来将共享相同调制语义的视图拉近，同时避免每个信号实例内的监督冲突。在RadioML数据集上的大量实验表明，Mod-CL始终优于强大的基线，尤其是在低标签情况下，在线性探测精度方面取得了显著的改进。

🔬 方法详解

问题定义：自动调制分类(AMC)旨在识别接收信号的调制类型。现有基于深度学习的AMC方法依赖大量标注数据，成本高昂。自监督学习(SSL)可以降低对标注数据的依赖，但现有的SSL方法通常使用与AMC任务无关的预训练目标，导致学习到的信号表征包含过多与调制类型无关的干扰因素，如符号、信道和噪声等。

核心思路：论文的核心思路是利用调制一致性作为任务感知的结构先验。具体来说，同一信号的不同时间段，即使波形不同，其调制类型通常是一致的。因此，可以将同一信号的不同时间段作为正样本对，通过对比学习，使模型学习到与调制类型相关的特征，同时抑制与调制类型无关的干扰因素。

技术框架：Mod-CL框架主要包含三个模块：信号分割模块、数据增强模块和对比学习模块。首先，信号分割模块将输入信号分割成多个时间段。然后，数据增强模块对每个时间段进行数据增强，生成不同的视图。最后，对比学习模块利用对比损失函数，使来自同一信号的不同视图的表征尽可能接近，而来自不同信号的视图的表征尽可能远离。

关键创新：论文的关键创新在于将调制一致性作为任务感知的结构先验，并将其应用于对比学习框架中。与现有的自监督学习方法不同，Mod-CL利用了AMC任务本身的特点，构建了更有效的正样本对，从而学习到更适合AMC任务的信号表征。

关键设计：Mod-CL的关键设计包括：1) 使用时间分割和数据增强来构建正样本对，避免监督冲突；2) 设计了针对Mod-CL的对比损失函数，该损失函数旨在拉近来自同一信号的不同视图的表征，同时推远来自不同信号的视图的表征；3) 使用线性探测评估学习到的表征的质量。具体来说，固定预训练模型的参数，然后训练一个线性分类器来预测信号的调制类型。线性分类器的精度越高，说明学习到的表征越好。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Mod-CL在RadioML数据集上显著优于现有的自监督学习方法。例如，在低标签情况下，Mod-CL在线性探测精度上取得了显著的提升，超过了现有方法多个百分点。这表明Mod-CL能够更有效地学习到与调制类型相关的特征，从而提高自动调制分类的性能。

🎯 应用场景

该研究成果可应用于无线通信、频谱监测、认知无线电等领域。通过自监督学习，可以降低对标注数据的依赖，提高自动调制分类的性能，从而实现更智能、更高效的无线通信系统。未来，该方法可以扩展到其他信号处理任务中，例如信号检测、信号识别等。

📄 摘要（原文）

Deep learning-based AMC methods have achieved remarkable performance, but their practical deployment remains constrained by the high cost of labeled data. Although self-supervised learning (SSL) reduces the reliance on labels, existing SSL-based AMC methods often rely on task-agnostic pretext objectives misaligned with modulation classification, leading to representations entangled with nuisance factors such as symbol, channel, and noise. In this paper, we identify intra-instance modulation consistency as a task-aware structural prior, whereby different temporal segments of the same signal may differ in waveform while preserving the same modulation type, thus providing a principled cue for task-aligned self-supervision. Based on this prior, we propose Mod-CL, a Modulation consistency-based Contrastive Learning framework that constructs positive pairs from different temporal segments of the same signal instance, to encourage the model to learn shared modulation information while suppressing nuisance variations. We further develop a contrastive objective tailored to Mod-CL, which jointly exploits temporal segmentation and data augmentation to pull together views sharing the same modulation semantics while avoiding supervisory conflicts within each signal instance. Extensive experiments on RadioML datasets show that Mod-CL consistently outperforms strong baselines, especially in low-label regimes, achieving substantial improvements in linear probing accuracy.