《IEEE Journal of Indoor and Seamless Positioning and Navigation》：Variational and Generative Models with Quantization for Disentanglement and Compressed Sensing of GNSS Spectrograms
编辑推荐：
本文针对分布式学习与边缘AI在GNSS干扰监测中面临的数据压缩与模型轻量化挑战，提出了一种基于因子化变分自编码器（FactorVAE）的特征解耦方法。该方法能从GNSS频谱图中提取关键潜在特征，实现高达8,192倍的压缩比，并在干扰分类任务中达到99.92%的准确率。同时，模型量化技术（如float32转int8）使模型权重减小四倍，显著提升了在资源受限设备上的部署效率，为低延迟、高隐私保护的实时GNSS干扰监测提供了有效解决方案。
在全球导航卫星系统（GNSS）的应用中，干扰信号的监测与分类是保障系统性能、提升环境感知能力的关键。然而，随着分布式学习和边缘人工智能（Edge AI）的兴起，如何在资源受限的设备上实现高效数据处理、低延迟通信，并确保数据隐私，成为亟待解决的难题。传统的机器学习模型往往计算复杂、体积庞大，难以在分布式环境中直接部署。此外，GNSS干扰监测需要处理大量的频谱图（即信号功率在时间和频率维度上的表示）数据，这对实时性和传输带宽提出了极高要求。尽管已有研究尝试通过伪标签、少样本学习、联邦学习等范式来应对数据有限或分布式的挑战，但在特征解耦方面的工作仍相对有限。特征解耦旨在学习一种结构化的潜在表示，使得数据中的不同变化因素能够被分离开来，这对于数据压缩和增强至关重要。现有方法在支持紧凑、可传输的表示方面能力不足，且潜在特征容易混合多个信号特性，难以孤立分析如信号功率、带宽等独立因素。
为了解决上述问题，发表在《IEEE Journal of Indoor and Seamless Positioning and Navigation》上的这项研究，提出利用变分自编码器（VAE）和生成模型进行特征解耦，以实现GNSS频谱图的压缩感知和数据增强。研究人员开展了一项系统性的研究，旨在开发一种能够从GNSS快照数据中提取紧凑表示的方法，该方法既能实现高倍率的数据压缩，又能保持高精度的干扰分类能力。
为达成研究目标，作者团队主要采用了以下几种关键技术方法：首先，他们提出了基于因子化变分自编码器（FactorVAE）的特征解耦方法，通过引入额外的惩罚项促进潜在表示呈现因子分解结构，从而分离出干扰类别、信号功率、带宽等独立因素。其次，他们利用变分自编码器（VAE）和条件VAE生成对抗网络（CVAE-GAN）在潜在空间进行插值，实现了数据增强，生成了具有连续变化信号功率的新频谱图样本。再者，他们对模型进行了量化处理，将模型参数从32位浮点数（float32）降低到8位整数（int8），显著减少了模型的内存占用和计算开销。此外，研究还包含了对19种最先进的VAE和GAN模型在五个不同的GNSS干扰监测数据集（包括三个受控室内环境和两个真实世界高速公路数据集）上的大规模基准测试，以全面评估所提方法的性能。研究团队还进行了广泛的超参数搜索，以优化模型性能。
研究成果显示，所提出的FactorVAE方法在多个维度上取得了显著成效。
在压缩与分类性能方面，FactorVAE在真实世界高速公路数据集1上取得了99.91%的分类准确率，在更具挑战性的室内小尺度数据集上也达到了94.18%的准确率。其数据压缩率范围在512到8,192之间，尽管模型被大幅压缩，但其分类准确率与基准ResNet18模型相比仅有微小下降（例如，在室内大尺度数据集上，准确率从99.96%降至97.93%）。这表明通过解耦学习到的潜在特征能够有效保留用于分类的关键信息。
在特征解耦与数据增强方面，潜在空间遍历分析证实，FactorVAE能够成功解耦关键的干扰因素，例如，不同的潜在维度独立地控制了线性调频（Chirp）干扰和背景噪声。利用潜在变量插值进行数据增强，能够生成介于不同信号功率水平之间的平滑过渡的频谱图，这使得分类器能够识别训练过程中未见过的中间信号功率水平，显著提升了模型在有限数据场景下的泛化能力。
在模型量化与推理效率方面，将模型量化为int8精度，特别是仅对分类器（Dense层）进行量化，能在几乎不损失精度（精度下降小于1个百分点）的情况下，将模型权重大小减少四倍。量化结合压缩技术，使得推理时间大幅缩短，为在资源受限的边缘设备上实现低延迟的实时干扰监测奠定了基础。
在基准测试对比方面，与19种先进的VAE和GAN模型相比，FactorVAE在多个数据集上表现出色，尤其在具有挑战性的室内环境中优势明显。相比之下，一些侧重于感知重建质量或采用离散编码簿的方法（如MS-SSIM_VAE, VQVAE）在室内数据集上性能下降显著，而生成对抗网络混合模型（如VAEGAN）也表现不佳，这表明在GNSS干扰监测任务中，平衡潜在解耦与重建保真度的架构更为有效。
综上所述，本研究成功地将因子化变分自编码器应用于GNSS干扰频谱图的解耦与压缩感知。该方法不仅实现了极高的数据压缩率和分类准确率，还能通过潜在空间操作进行有效的数据增强。模型量化进一步提升了部署效率。研究结果表明，强调潜在解耦同时保持重建质量的模型架构，在资源受限的分布式GNSS干扰监测系统中具有重要的应用价值。这项工作为在边缘设备上实现高效、低延迟的实时智能监测提供了可行的技术路径，并为进一步探索自适应流形约束和增强生成模型架构以在更复杂的干扰条件下提升性能指明了方向。未来的研究将包括在接收器硬件上评估这些模型，以支持开放环境中的态势感知，并促进众包和联邦学习系统的开发。
