MD-TabPFN：基于表格先验数据拟合网络(TabPFN)的多域特征融合调制识别

《Neurocomputing》：MD-TabPFN: Multi-domain feature fusion for modulation recognition based on tabular prior data fitting network

　　

通信信号调制识别面临标注样本稀缺、高维非线性及实时性约束等挑战。现有基于深度学习的方法在标注样本不足时易出现过拟合与泛化能力下降，且半监督与自监督方法仍依赖大量无标注数据。本研究提出一种基于多域特征融合与表格先验数据拟合网络(Multi-Domain Tabular Prior-Data Fitted Network, MD-TabPFN)的调制识别框架。研究人员首次将表格基础模型TabPFN迁移至通信信号调制识别领域，通过时域、星座域和频域深度多域特征融合构建表格化数据集，并引入域注意力(Domain Attention, DA)模块动态分配各域特征权重以增强判别性信息聚焦。实验结果表明，在每类仅1–200个标注样本(Samples Per Class, SPC)的小样本场景下，MD-TabPFN实现了当前最优的调制识别精度，同时保持高效实时推理速度，显著优于对比方法。

论文解读：MD-TabPFN——基于TabPFN的多域特征融合通信信号调制识别

研究背景与意义

通信信号调制识别(Automatic Modulation Classification, AMC)是频谱监测的关键环节，面临标注标签稀缺(Label Scarcity)、高维特征处理、非线性信道效应及严格实时性要求等挑战。传统基于匹配滤波器或能量检测的方法依赖先验知识，在低信噪比(Signal-to-Noise Ratio, SNR)或少量样本下性能受限。基于卷积神经网络(Convolutional Neural Network, CNN)、循环神经网络(Recurrent Neural Network, RNN)及长短期记忆网络(Long Short-Term Memory, LSTM)的深度学习方法在大样本下表现优异，但在每类仅数十条至数百条样本的极少样本(Few-Shot)场景下易过拟合，泛化能力差。现有半监督与自监督方法仍需大量无标注数据做预训练，在无法获取大批量无标注数据的复杂电磁环境中适用性受限。表格先验数据拟合网络(Tabular Prior-Data Fitted Network, TabPFN)是基于上下文学习(In-Context Learning, ICL)的表格数据基础模型，在少样本表格分类中无需重新训练即可通过单次前向传播完成推断，但尚未应用于通信调制识别。针对此，Liaoyang Li、Hua Xu、Zisen Qi、Tao Yang与Guangwei Yang在《Neurocomputing》发表本研究，提出MD-TabPFN框架，旨在将TabPFN适配于通信信号识别，解决小样本下的过拟合与特征利用不足问题。

主要关键技术方法

研究人员采用RML2016.10a（10种调制类型：BPSK、QPSK、8PSK、16QAM、64QAM、PAM4、WBFM、CPFSK、AM-DSB、GFSK，SNR -20dB至+18dB）、RML2018.01a及RML22公开基准数据集。对原始IQ信号施加汉宁(Hanning)窗后分别提取时域（I/Q均值、方差、峰差，6维）、星座域（聚类质心坐标、分布熵、平均距离、边际均值/方差/峰值，10维）和频域（谱峰、幅度标准差、3dB带宽、幅度峰值，4维）共20维统计特征；通过互信息(Mutual Information, MI)跨域相关性增强筛选保留18维有效特征；经支持集Z-score标准化后输入域注意力(Domain Attention, DA)模块——对三域特征分别作全局平均池化后经1×1卷积与Sigmoid生成域级权重向量，按域维度复制扩展后对拼接特征向量作逐元素加权融合；最终将加权融合特征以表格形式输入预训练TabPFN v2进行贝叶斯后验预测分布(Posterior Predictive Distribution, PPD)推断，无需参数更新。对比基线含随机森林(Random Forest, RF)、支持向量机(Support Vector Machine, SVM) with RBF核、XGBoost、多层感知机(Multi-Layer Perceptron, MLP)、原型网络(Prototypical Networks, P-Networks)、模型无关元学习(Model-Agnostic Meta-Learning, MAML)、MCLDNN、MoCo-v3及SSwsrNet，评估指标含准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F₁-Score、马修斯相关系数(Matthews Correlation Coefficient, MCC)及推理时间。

研究结果

4.2.1. Performance comparison under different support set sizes

研究人员在SNR=8dB下设置SPC={1,5,10,50,100,200}开展实验。结果显示MD-TabPFN在所有SPC下均取得最高准确率：1 SPC时41.2%（次优MoCo-v3为35.5%），5 SPC时58.7%，10 SPC时70.3%（超MoCo-v3约6.4%），50 SPC时78.6%，100 SPC时84.4%，200 SPC时88.9%；同时F₁-Score与MCC亦最优，推理时间仅约0.25–0.42秒，远快于MAML（~900s）、MCLDNN（>80s）及MoCo-v3（>360s）。表明TabPFN的预训练先验结合多域特征使其在极少标注样本下避免过拟合，传统机器学习与深度学习模型在小样本下分别趋于欠拟合或无法收敛。

4.2.2. Performance comparison under different signal-to-noise ratios

在SPC=100、SNR∈{-20dB,+18dB}条件下，MD-TabPFN全SNR区间领先。低SNR（-20dB至-6dB）下MD-TabPFN在-10dB达约18.5%，优于原型网络与SSwsrNet；中等SNR（0dB至8dB）下8dB时84.4%，优于SSwsrNet(81.9%)与XGBoost(79.5%)；高SNR（10dB至18dB）下趋近饱和但仍保持最高且推理效率最优。证明基于贝叶斯推断的噪声抑制能力与多域特征协同提升了强噪声下的鲁棒性。

4.2.3. Performance comparison across different datasets

在RML2016.10a、RML2018.01a及RML22三数据集上，MD-TabPFN均保持性能优势且随SPC增大准确率单调上升、边际收益递减；RML22（更高质量信号建模）表现最佳（200 SPC时约90.2%），RML2018.01a（更复杂信道条件）略低，验证模型对不同数据质量与复杂度具良好泛化能力。

4.2.4. Confusion matrix analysis

SNR=8dB、SPC=100时混淆矩阵显示：BPSK(≈99%)、QPSK(≈98%)、WBFM(≈97%)、AM-DSB(≈96%)识别率高；16QAM与64QAM因星座点密集互扰相互误判率约6%–9%，CPFSK与GFSK因同属频移键控互误约5%；各类最低识别率不低于73%，无系统性漏检类别。

4.2.5. Ablation experiments

去除域注意力(DA)模块的MD-TabPFN w/o DA在SPC=100、SNR=8dB时准确率降至81.7%（全模型84.4%），特征权重集中度由0.87降至0.62，域适应标准差由0.048增至0.021（注：原文表述去DA后差异更接近随机），证实DA模块能自适应强化判别域、抑制冗余域。单域特征对比：仅时域(6D)≈72.1%、仅频域(4D)≈65.4%、仅星座域(10D)≈76.8%，全20D融合特征达84.4%，验证多域互补融合提供全面信号表征。

4.2.6. Efficiency analysis

MD-TabPFN推理耗时SPC=1时0.25s，SPC=200时0.42s，增量仅0.17s；RF/SVM/XGBoost随样本线性增长（XGBoost由1.95s至16.8s）；深度学习与元学习模型需分钟至百秒级训练/微调，证实其适合实时通信系统部署。

讨论与结论翻译（原文Conclusion浓缩）

本研究提出用于少标注样本条件下通信信号调制识别的MD-TabPFN模型。广泛对比实验表明MD-TabPFN是少样本调制识别的可靠方案：对少标注样本适应性强——SPC=1时准确率41.2%，大幅超越对比模型；噪声鲁棒性强——低SNR(-20dB至-6dB)下较优抗噪畸变，在-10dB达约18.5%；泛化能力强——在RML2016.10a、RML2018.01a及RML22三基准数据集十类调制上趋势一致；效率极高——免超参数调优，推理延迟仅0.25s–0.42s，随支持集增大增幅可忽略，单样本推断约毫秒级，适合实时通信系统。局限在于SPC扩至200时与少数深度学习模型（如SSwsrNet）性能差距缩小至约2.2个百分点。总之MD-TabPFN为标注样本极少或动态噪声环境下的调制识别提供了高效可靠方案。未来工作将扩展调制类型数目并探索更先进特征融合策略。