RFPrompt：针对调制分类的大型无线模型的基于提示的专家适应

实际部署中的自动调制分类 (AMC) 要求对因硬件损伤、看不见的传播环境以及训练期间从未遇到的记录条件而引起的分布变化具有鲁棒性。尽管无线基础模型为稳健的 RF 表示学习提供了一个有前途的起点，但一个重要的悬而未决的问题是如何使其有效地适应分布外 (OOD) 下游任务，而不覆盖大规模 预训练 期间学习的结构。在本文中，我们研究了基于提示的自适应作为无线基础模型中 OOD 传输的通用机制。我们提出了 RFPrompt，一个参数高效的框架，它引入了可学习的深度提示标记，同时保持预训练的主干冻结，从而以最少的可训练参数实现特定于任务的适应。我们在大型无线模型 (LWM)（一种专家混合无线基础模型）上实例化并评估该方法，并研究其在标准和 OOD 调制分类设置下的行为。结果表明，基于提示的适应持续提高了分布变化和有限监督下的鲁棒性，特别是在现实世界的无线 IQ 数据上，同时保持了强大的参数效率。这些发现表明，及时学习是一种实用且有效的策略，可以使无线基础模型适应具有挑战性的下游射频环境。