Core Concepts
IoT 환경에서 제한된 리소스를 고려하여 트랜스포머 기반 기술을 활용하여 자동 변조 인식 성능을 향상시킴
Abstract
본 연구는 IoT 애플리케이션을 위한 자동 변조 인식(AMR) 기술을 향상시키기 위해 트랜스포머 기반 접근법을 제안한다.
기존 딥러닝 기반 AMR 기술의 한계를 극복하고자 트랜스포머 네트워크를 활용함
다양한 토큰화 기법을 적용한 4가지 트랜스포머 기반 모델(TransDirect, TransDirect-Overlapping, TransIQ, TransIQ-Complex)을 제안
RadioML2016.10b와 CSPB.ML.2018+ 데이터셋을 활용한 실험을 통해 제안 모델의 우수한 성능을 검증
특히 TransIQ 모델이 기존 기술 대비 높은 정확도와 효율적인 파라미터 수를 보여줌
IoT 환경에 적합한 경량화된 모델 구조를 제안하여 제한된 리소스에서도 우수한 AMR 성능을 달성
Stats
제안 모델 TransIQ-Large Variant의 정확도는 RadioML2016.10b 데이터셋에서 65.75%로 기존 모델 대비 약 9% 향상
TransIQ-Small Variant의 정확도는 65.61%로 파라미터 수가 기존 모델 대비 14-18배 감소
CSPB.ML.2018+ 데이터셋에서 TransIQ-Large Variant의 정확도는 65.80%로 기존 모델 대비 우수
Quotes
"IoT 환경에서 제한된 리소스를 고려하여 트랜스포머 기반 기술을 활용하여 자동 변조 인식 성능을 향상시킴"
"TransIQ 모델이 기존 기술 대비 높은 정확도와 효율적인 파라미터 수를 보여줌"