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

📄 arXiv: 2605.26600v1 📥 PDF

作者: Guanqun Zhao, Yitong Liu, Jiaxuan Fang, Yufei Mao, Hongwen Yang

分类: cs.LG, cs.AI

发布日期: 2026-05-26

💡 一句话要点

提出DyCo-CL框架，解决少样本自动调制识别中SSL方法的不足。

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

关键词: 自动调制识别 少样本学习 对比学习 自监督学习 虚拟对抗增强

📋 核心要点

  1. 传统AMR的自监督学习方法在数据增强、频谱稳定性和语义一致性方面存在不足。
  2. DyCo-CL框架通过虚拟对抗增强和语义一致性损失，实现几何感知和频谱正则化。
  3. 实验表明，DyCo-CL在少样本AMR任务上显著优于现有方法，尤其在1-shot场景下。

📝 摘要（中文）

针对自动调制识别（AMR）中标准自监督学习（SSL）方法存在的各向同性增强无效、频谱不稳定和语义漂移等问题，我们提出了一种几何感知框架——动态一致性对比学习（DyCo-CL）。我们提供理论分析表明，该策略可作为编码器的隐式频谱正则化器，从而实现稳定的流形探索。此外，我们采用具有固定窗口注意力的信号自适应Swin Backbone来约束注意力局部性，从而提高结构稳定性，同时使用混合知识融合模块来利用物理先验锚定表征。在RML基准测试上的实验表明，与现有方法相比，DyCo-CL在1-shot设置下实现了6.27%的准确率提升。

🔬 方法详解

问题定义：论文旨在解决少样本自动调制识别（Few-Shot Automatic Modulation Recognition, AMR）问题。现有基于自监督学习（SSL）的AMR方法存在三个主要痛点：一是各向同性数据增强方式不适用于信号数据；二是频谱不稳定导致模型训练困难；三是训练过程中容易出现语义漂移现象。

核心思路：论文的核心思路是利用几何感知对比学习，结合虚拟对抗增强（Virtual Adversarial Augmentation, VAA）和语义一致性损失，来提升模型在少样本场景下的泛化能力。通过VAA增强数据的多样性，并利用语义一致性损失约束模型学习稳定的表征。此外，还引入了信号自适应Swin Backbone和混合知识融合模块，进一步提升模型的性能。

技术框架：DyCo-CL框架主要包含三个核心模块：1) 动态一致性对比学习（DyCo-CL）：通过VAA生成对抗样本，并利用语义一致性损失约束原始样本和对抗样本的表征一致性。2) 信号自适应Swin Backbone：采用固定窗口注意力机制，约束注意力的局部性，提高模型的结构稳定性。3) 混合知识融合模块：融合物理先验知识，例如调制信号的统计特性，来锚定模型的表征。整体流程是：输入信号首先经过信号自适应Swin Backbone提取特征，然后通过DyCo-CL进行对比学习，最后利用混合知识融合模块进行知识融合。

关键创新：论文的关键创新在于提出了几何感知的对比学习框架DyCo-CL，它不同于传统的对比学习方法，更加关注信号数据的几何特性。通过VAA和语义一致性损失，能够有效地提升模型在少样本场景下的泛化能力。此外，信号自适应Swin Backbone和混合知识融合模块也为提升模型性能做出了贡献。

关键设计：在DyCo-CL中，VAA通过在输入信号上添加微小的扰动来生成对抗样本。语义一致性损失采用InfoNCE损失函数，鼓励原始样本和对抗样本的表征尽可能接近。信号自适应Swin Backbone采用固定窗口大小的注意力机制，窗口大小根据输入信号的长度进行自适应调整。混合知识融合模块通过学习一个权重矩阵，将从数据中学习到的表征和物理先验知识进行融合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，DyCo-CL框架在RML数据集上取得了显著的性能提升。在1-shot场景下，DyCo-CL的准确率比现有最佳方法提高了6.27%。即使在数据量充足的情况下，DyCo-CL仍然能够取得具有竞争力的性能，证明了其有效性和鲁棒性。

🎯 应用场景

该研究成果可应用于无线通信、雷达信号处理、物联网等领域，用于自动识别调制类型，提高通信效率和信号分析能力。在资源受限或数据稀缺的场景下，该方法具有重要的实际应用价值，例如在频谱监测、恶意信号检测等方面。

📄 摘要（原文）

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.