实现调制信号的高效特征表征：一种协同对比学习方法

基于摘要分析。本文研究非协作通信中无标签调制信号的特征表征问题，提出 Cooperative Contrast Learning for modulation Signals（CoCL-Sig），联合使用序列与星座图两种模态学习表征，服务于自动调制识别（AMR）相关的半监督分类和聚类任务。原研究对象是无线通信调制信号，而非 EEG 或 BCI。 方法包括模态级特征表征与实例级辅助特征表征：前者将两种模态的投影匹配到同一超平面空间，后者加入序列辅助分支，以提高序列表征的稳定性。摘要未交代具体对比损失、正负样本构造、辅助分支训练目标或推理时所需模态，这些机制细节尚待全文核对。 作者报告，在 RML2016.10A 和 RML2016.04C 两个调制信号数据集上的实验支持该方法的有效性，并优于所比较的方法。摘要未给出具体指标、数值、数据划分、信噪比条件及基线名称，因此无法判断收益幅度和适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可形成一个 EEG 迁移假设，即利用同一信号的两种视图进行表征对齐，并以序列辅助目标约束学习。但通信星座图不能直接视作 EEG 的等价模态，需改造为有生理意义的时频或空间视图，并核对配对数据、无标签训练规模和下游标签需求。低信噪比、跨被试差异、通道配置变化及小样本可能使对齐学习保留伪迹或抹去任务信息。可先在固定跨被试划分下，对比序列单视图、双视图对齐及加入序列辅助分支的版本，在相同标签预算下检验辅助机制是否有效。已有 EEG 相关工作尚未检索确认。