Unsupervised Two-Stage Learning Framework for Cooperative Spectrum Sensing
Notice bibliographique
Résumé
A cognitive radio (CR) network consists of wireless devices that opportunistically borrow vacant licensed bands. Cognitive users adaptively employ a perception-action decision cycle. Learning-based CR networks use past acquired knowledge of the radio environment to make smarter decisions. CR systems that use supervised learning for spectrum sensing require labeled data for training purposes. Having readily available labeled data is a complex task for CR networks, as it requires cooperation between the primary and secondary users. Such cooperation is not possible in interweave CR networks and imposes a cooperation overhead. Motivated by the above, we tackle the problem of labeled data scarcity in practical learning-based CR networks. We propose an unsupervised two-stage learning framework for cooperative spectrum sensing. The system combines the superior performance of the Support Vector Machine (SVM) and low cost training data of the Gaussian Mixture Model (GMM). A system model is proposed, and the system’s performance is evaluated based on the Receiver Operating Characteristics (ROC) and Area Under the ROC Curve (AUC). We obtain an upper and a lower performance bounds in terms of the AUC. The detection performance is compared for the SVM, GMM, and the proposed two-stage system based on the ROC. Additionally, we evaluate the detection performance of the CR network under different primary network sizes. Our results show that the two-stage learning approach attains a higher detection performance than the GMM algorithm, and achieves the same or comparable performance to the SVM algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».