G-VAP: A Generative Variational Autoencoder Approach for Enhanced Cooperative Sensing
Notice bibliographique
Résumé
In interweave cognitive radio (CR), users can transmit data only when licensed bands are vacant. Deep learning (DL) allows CRs to intelligently sense and identify channel availability. However, most supervised DL detectors require a substantial amount of labeled training data, which can be challenging to obtain in interweave CR. In this paper, we introduce G-VAP, an unsupervised deep generative approach for cooperative spectrum sensing (CSS). G-VAP utilizes an advanced variant of variational autoencoders (VAEs) called β-VAE to identify independent latent variables and encourage accurate and disentangled sensing data representation in a lower dimensional latent space. Furthermore, G-VAP utilizes the affinity propagation (AP) algorithm for unsupervised clustering to detect primary user activity. Unlike other unsupervised clustering methods, AP’s performance is not reliant on the initialization of cluster centroids. Furthermore, G-VAP leverages the cooperation among CRs to sustain a high detection performance. Our approach is fully data-driven, operates without any model-driven assumptions, and does not require prior knowledge of channel or signal characteristics for training. Numerical results indicate that G-VAP for CSS performs comparably to benchmark supervised DL-based CSS. Extensive simulations have been conducted in diverse network settings, propagation environments, and fading conditions, which have proved the effectiveness of G-VAP.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».