论文
LLM-AUG：大语言模型 中具有上下文学习的鲁棒无线数据增强
LLM-AUG: Robust Wireless Data Augmentation with In-Context Learning in Large Language Models
摘要
数据稀缺仍然是将深度学习应用于无线通信问题的基本瓶颈，特别是在收集标记射频 (RF) 数据昂贵、耗时或操作受限的情况下。本文提出了 LLM-AUG，这是一种数据增强框架，利用 大语言模型 (LLM) 中的上下文学习直接在学习的嵌入空间中生成合成训练样本。与需要训练特定任务模型的传统生成方法不同，LLM-AUG 通过结构化提示执行数据生成，从而能够在低样本情况下快速适应。我们在两个代表性任务上评估 LLM-AUG：分别使用 RadioML 2016.10A 数据集和干扰分类 (IC) 数据集进行调制分类和干扰分类。结果表明，LLM-AUG 在低样本设置中始终优于传统的增强和深度生成基线，并且仅使用 15% 的标记数据就达到了接近预言机的性能。 LLM-AUG 进一步证明了分布变化下鲁棒性的提高，在较低 SNR 值下比基于扩散的增强产生了 29.4% 的相对增益。在 RadioML 和 IC 数据集上，LLM-AUG 相对于基于扩散的基线获得了 67.6% 和 35.7% 的相对增益。 t-SNE 可视化进一步验证了通过更好地保留嵌入空间中的类结构生成的合成样本，从而实现更加一致和信息丰富的增强。这些结果表明，LLM 可以作为无线机器学习的有效且实用的数据增强器，在不断发展的无线环境中实现稳健且数据高效的学习。