A Speculative GLRT-Backed ApproachRobust Deep Learning-Based Array Processing

तकनीकी सारांश: मजबूत डीप लर्निंग-आधारित ऐरे प्रोसेसिंग के लिए एक काल्पनिक GLRT-समर्थित दृष्टिकोण

समस्या विवरण
डीप लर्निंग (DL) ऐरे प्रोसेसिंग कार्यों, विशेष रूप से सिग्नल डिटेक्शन और दिशा का आगमन (DoA) अनुमान के लिए शास्त्रीय सांख्यिकीय विधियों के एक कम-विलंबता (low-latency) वाले विकल्प के रूप में उभरा है। हालांकि, DL मॉडल सांख्यिकीय व्याख्यात्मकता की कमी से जूझते हैं और महत्वपूर्ण रूप से, वे प्रतिकूल हस्तक्षेप (adversarial interference) के प्रति अत्यधिक संवेदनशील होते हैं। वायरलेस वातावरण में, हमलावर प्रसारित संकेतों में सूक्ष्म, ओवर-द-एयर योगात्मक विक्षोभ (additive perturbations) पेश कर सकते हैं ताकि रिसीवर में गलत वर्गीकरण (misclassification) उत्पन्न किया जा सके। जबकि पारंपरिक संभाव्यता-आधारित विधियाँ (जैसे, मैक्सिमम लाइकलीहुड एस्टीमेशन, जनरलाइज्ड लाइकलीहुड रेशियो टेस्ट) सांख्यिकीय कठोरता और मजबूती प्रदान करती हैं, वे गणनात्मक रूप से गहन होती हैं, जिसके परिणामस्वरूप वास्तविक समय के अनुप्रयोगों के लिए अनुपयुक्त उच्च विलंबता होती है। इसके विपरीत, स्टैंडअलोन DL मॉडल मजबूती की कमी रखते हैं, और मौजूदा बचाव (जैसे, एडवर्सरियल ट्रेनिंग या डिनोइजिंग) अक्सर प्रदर्शन में महत्वपूर्ण सुधार प्रदान करने में विफल रहते हैं और ऐरे प्रोसेसिंग के अंतर्निहित सांख्यिकीय गुणों की अनदेखी करते हैं।

कार्यप्रणाली
लेखक एक "काल्पनिक ऐरे प्रोसेसिंग फ्रेमवर्क" प्रस्तावित करते हैं जो DL की गति को GLRT (जनरलाइज्ड लाइकलीहुड रेशियो टेस्ट) की सांख्यिकीय विश्वसनीयता के साथ जोड़ता है। इस दृष्टिकोण का मूल आधार द्वितीय-क्रम सांख्यिकी (second-order statistics) की स्थानिक मजबूती के संबंध में एक सैद्धांतिक निष्कर्ष पर आधारित है।

1. सैद्धांतिक आधार: शोधपत्र यह स्थापित करता है कि प्राप्त ऐरे सिग्नल का स्थानिक डोमेन (विशेष रूप से कोवेरिएंस मैट्रिक्स) $\ell_p$-बाउंडेड एडवर्सरियल विक्षोभ के प्रति मजबूत है। लेखक सिद्ध करते हैं (थ्योरम 1) कि उन विक्षोभों $\delta$ के लिए जहाँ $\|\delta\|_p \leq \epsilon$ है, प्राप्त सिग्नल के कोवेरिएंस में विचलन सिग्नल ऊर्जा के सापेक्ष नगण्य है। इसका तात्पर्य यह है कि जबकि टाइम-डोमेन विक्षोभ DL क्लासिफायर को मूर्ख बना सकते हैं, उनका प्रभाव स्थानिक डोमेन में औसत होकर समाप्त हो जाता है, जिससे GLRT अनुमानों की अखंडता सुरक्षित रहती है।

2. काल्पनिक फ्रेमवर्क (एल्गोरिदम 1):

   • काल्पनिक चरण (DL): एक कम-विलंबता वाला डीप लर्निंग क्लासिफायर (कन्वोल्यूशनल न्यूरल नेटवर्क) कच्चे प्राप्त डेटा (डिटेक्शन के लिए) या एम्पिरिकल कोवेरिएंस मैट्रिसेस (DoA के लिए) को प्रोसेस करके एक तत्काल, "काल्पनिक" भविष्यवाणी उत्पन्न करता है। यह रिसीवर को धीमी सांख्यिकीय गणनाओं की प्रतीक्षा किए बिना पोस्ट-प्रोसेसिंग कार्यों (जैसे, डिकोडिंग) को आगे बढ़ाने की अनुमति देता है।
   • सत्यापन चरण (GLRT): साथ ही, एक GLRT एस्टिमेटर उसी सिग्नल पर कार्य करता है। सिग्नल डिटेक्शन के लिए, यह क्रमिक टाइम विंडोज़ से प्राप्त कोवेरिएंस मैट्रिसेस के गुणन के ट्रेस (trace) की तुलना करता है। DoA अनुमान के लिए, यह कोवेरिएंस मैट्रिसेस पर एक मैचड फ़िल्टर दृष्टिकोण का उपयोग करता है।
   • संगति जाँच (Consistency Check): एक बार जब GLRT अनुमान पूरा हो जाता है (जो अपनी गणनात्मक लागत के कारण अधिक समय लेता है), तो एक संगति जाँच की जाती है। यदि DL भविष्यवाणी GLRT परिणाम से मेल खाती है, तो काल्पनिक निर्णय की पुष्टि की जाती है। यदि वे असहमत हैं, तो सिस्टम DL आउटपुट को त्याग देता है और GLRT परिणाम पर वापस आ जाता है, जिससे संभावित पुन: प्रसंस्करण विलंब की कीमत पर मजबूती सुनिश्चित होती है।

3. एडवर्सरियल सेटअप: फ्रेमवर्क का मूल्यांकन विभिन्न $\ell_p$ नॉर्म्स के तहत फास्ट ग्रेडिएंट साइन मेथड (FGSM) और प्रोजेक्टेड ग्रेडिएंट डिसेंट (PGD) हमलों के विरुद्ध पर्टरबेशन-टू-सिग्नल रेशियो (PSR) के आधार पर किया गया है।

प्रमुख योगदान

• स्थानिक मजबूती का प्रमाण: शोधपत्र सैद्धांतिक रूप से प्रदर्शित करता है कि $\ell_p$-बाउंडेड एडवर्सरियल हस्तक्षेप प्राप्त ऐरे सिग्नल्स के द्वितीय-क्रम सांख्यिकी (कोवेरिएंस) पर नगण्य प्रभाव डालता है, जिससे स्थानिक डोमेन में हमले की क्षमता कम हो जाती है।
• हाइब्रिड फ्रेमवर्क: लेखक पहला ऐसा फ्रेमवर्क पेश करते हैं जो विशेष रूप से ऐरे प्रोसेसिंग में एडवर्सरियल मजबूती के लिए DL-MLE आर्किटेक्चर का संयुक्त उपयोग करता है। यह काल्पनिक दृष्टिकोण एक तेज़ DL क्लासिफायर को एक सैद्धांतिक रूप से स्थापित GLRT वैलिडेटर के साथ एकीकृत करता है।
• अनुभवजन्य सत्यापन: अध्ययन अनुभवजन्य साक्ष्य प्रदान करता है कि यह हाइब्रिड दृष्टिकोण विभिन्न विक्षोभ परिमाणों और डिजाइनों में स्टेट-ऑफ-द-आर्ट बेसलाइन, जिसमें एडवर्सरियल ट्रेनिंग, डिफेंसिव डिस्टिलेशन और डिनोइजिंग ऑटोएनकोडर (DAE) शामिल हैं, से बेहतर प्रदर्शन करता है।

परिणाम
बाइनरी सिग्नल डिटेक्शन और मल्टी-क्लास DoA अनुमान (61 क्लासेज) दोनों के लिए एक यूनिफॉर्म लीनियर ऐरे (ULA) के साथ प्रयोगात्मक मूल्यांकन किया गया।

• बेसलाइन प्रदर्शन: मानक CNNs ने बढ़ते PSR के साथ सटीकता में तीव्र गिरावट दिखाई। एडवर्सरियल ट्रेनिंग ने आंशिक रिकवरी प्रदान की, और DAE प्री-प्रोसेसिंग ने मध्यम PSR स्तरों पर सीमित सफलता दिखाई लेकिन उच्च विक्षोभ स्तरों पर विफल रही।
• GLRT मजबूती: GLRT घटक ने सभी परीक्षण किए गए PSR रेंज और हमले के प्रकारों में उच्च सटीकता बनाए रखी, जो स्थानिक मजबूती के सैद्धांतिक दावे की पुष्टि करती है।
• काल्पनिक फ्रेमवर्क का प्रदर्शन: गैर-एडवर्सरियल स्थितियों (कम PSR) में, काल्पनिक DL क्लासिफायर ने GLRT के बराबर प्रदर्शन प्राप्त किया, जो इसकी विश्वसनीयता की पुष्टि करता है। एडवर्सरियल स्थितियों के तहत, फ्रेमवर्क ने DL मिसक्लासिफिकेशन को ठीक करने के लिए GLRT का सफलतापूर्वक लाभ उठाया, जो स्टैंडअलोन DL और अन्य रक्षा तंत्रों की तुलना में बेहतर मजबूती प्रदर्शित करता है।

महत्व और दावे
यह शोधपत्र यह दावा करता है कि यह एक ऐसा समाधान प्रदान करता है जो कम-विलंबता अनुमान और सांख्यिकीय व्याख्यात्मकता के साथ एडवर्सरियल मजबूती प्रदान करता है। लेखक इस कार्य को विशेष रूप से ऐरे प्रोसेसिंग में एडवर्सरियल मजबूती के लिए DL और GLRT आर्किटेक्चर को सफलतापूर्वक संयोजित करने वाले पहले फ्रेमवर्क के रूप में प्रस्तुत करते हैं। इसका महत्व इस क्षमता में निहित है कि यह (DL स्पेक्यूलेशन के माध्यम से) वास्तविक समय प्रसंस्करण गति बनाए रखते हुए (GLRT के माध्यम से) निर्णय विश्वसनीयता सुनिश्चित करता है, जिससे शास्त्रीय सिग्नल प्रोसेसिंग की व्याख्यात्मकता से समझौता किए बिना DL मॉडलों की ओवर-द-एयर एडवर्सरियल हमलों के प्रति संवेदनशीलता को प्रभावी ढंग से बेअसर किया जा सकता है। भविष्य के कार्य में इस फ्रेमवर्क को अन्य DL-आधारित कमजोरियों जैसे कि मल्टीपल सिग्नल क्लासिफिकेशन (MUSIC), ऑटोमैटिक मॉड्यूलेशन क्लासिफिकेशन (AMC), और MIMO सिस्टम तक विस्तारित करने की संभावना बताई गई है।