Giải phóng khả năng diễn giải cho Cảm biến RF: Transformer Hộp trắng Giá trị phức tạp

RF-CRATE: Mở ra Kỷ nguyên Cảm biến Tần số Vô tuyến (RF) Minh bạch và Đáng tin cậy

Trí tuệ nhân tạo (AI) đang cách mạng hóa mọi lĩnh vực, và lĩnh vực tần số vô tuyến (RF) cũng không ngoại lệ. Tuy nhiên, phần lớn các mô hình học sâu hiện tại trong việc này hoạt động như "hộp đen", thiếu khả năng giải thích. Điều này không chỉ hạn chế khả năng khái quát hóa mà còn gây quan ngại về bảo mật, đặc biệt là trong các ứng dụng vật lý nhạy cảm.

Lấy cảm hứng từ những bước đột phá của các mô hình "hộp trắng", các nhà nghiên cứu đã giới thiệu RF-CRATE, một kiến trúc mạng nơ-ron sâu đầu tiên cho cảm biến RF có khả năng diễn giải toán học. Nền tảng của RF-CRATE là nguyên lý giảm thiểu tỷ lệ thưa thớt phức tạp (complex sparse rate reduction).

Để xử lý riêng biệt các tín hiệu RF, các nhà nghiên cứu đã thực hiện các phép toán lý thuyết phức tạp, mở rộng mô hình "hộp trắng" thực ban đầu sang miền phức. Thông qua khuôn khổ CR-Calculus, họ đã thành công xây dựng nên một mô hình "hộp trắng" hoàn toàn phức hợp, tích hợp các cơ chế tự chú ý (self-attention) và các lớp đa tầng (multi-layer perceptron) dựa trên nền tảng lý thuyết vững chắc.

Để nâng cao khả năng trích xuất các đặc trưng phân biệt từ dữ liệu không dây vốn hạn chế, một chiến lược điều chuẩn mới Subspace Regularization đã được áp dụng. Chiến lược này giúp tăng cường sự đa dạng của các đặc trưng, mang lại hiệu suất cải thiện trung bình 19.98% trên nhiều tác vụ cảm biến khác nhau.

RF-CRATE đã được đánh giá toàn diện trên bảy mô hình cơ sở, sử dụng nhiều bộ dữ liệu công khai và tự thu thập với các loại tín hiệu RF đa dạng. Kết quả cho thấy RF-CRATE đạt hiệu suất tương đương với các mô hình "hộp đen" được thiết kế tỉ mỉ, đồng thời cung cấp khả năng diễn giải toán học đầy đủ.

Đáng chú ý, việc mở rộng CRATE sang miền phức đã mang lại những cải thiện đáng kể cho RF-CRATE, giúp tăng trung bình 5.08% về độ chính xác phân loại và giảm 10.34% sai số hồi quy trên các tác vụ cảm biến khác nhau so với CRATE gốc.

Dự án RF-CRATE đã được công khai mã nguồn hoàn toàn tại: [Link đến kho mã nguồn].

Nguồn: arxiv.org

Đăng ngày: 2025-07-30 11:00:00 • Tác giả: Xie Zhang, Yina Wang, Chenshu Wu