電波を受け取って「これはQPSKだ」「いや16QAMだ」と自動で判定する技術を、AMC（Automatic Modulation Classification、自動変調認識）と呼ぶ。スペクトラム監視、コグニティブラジオ、電子戦——どれもここに依存している。

問題は二つある。低SNR環境では分類精度が落ちること、そして変調方式の種類が増えるほど汎化が難しくなることだ。最近arXivに出た論文（2608.00796）は、この問題に対して興味深いアプローチを取っている。「高速・軽量なCNNで一次判定 → 確信が低ければ重いBiLSTMへ回す」という、二段階フォールバック構造だ。

特徴量の取り方

入力は受信信号。まずFFTでスペクトル情報を取り出し、次にSTFT（短時間フーリエ変換）で時間-周波数表現に変換する。これを2D CNNに通して変調クラスを出力する。STFTスペクトログラムは画像と同じ扱いができるから、2D CNNとの相性がいい。

一次分類器のCNNは推論時間0.138 ms/サンプル。非常に速い。

不確かさ推定（MC Dropout）

ここが設計の核心だと思う。CNNにはDropout層が仕込まれているが、通常は推論時にDropoutをオフにする。この手法ではあえてオフにしない——推論時にもDropoutを動かして、同じ入力に対して複数回予測を走らせる。

出力のばらつきが小さければ「確信している」、ばらつきが大きければ「迷っている」と解釈できる。これがMC Dropout（モンテカルロDropout）による不確かさ推定の仕組みだ。ベイズニューラルネットの近似として広く知られている手法で、実装コストは低い。

閾値を設けて、不確かさがそれを超えたサンプルだけBiLSTMへ送る。BiLSTMは時系列的な特徴をより細かく拾えるが推論コストが高い。全入力にBiLSTMを使えばいいじゃないかとも思えるが、リアルタイム処理では遅延が問題になる。だから「自信がないときだけ重い処理を使う」という分岐が合理的になるんだ。

結果と雑感

一次CNNの精度は83.3±0.7%（全SNR帯域平均）で、従来の機械学習手法より優れるとされる。ハイブリッドを通じた最終精度はさらに改善する。

このアプローチで気に入っているのは、「自分が迷っていることを検出する」という設計の姿勢だ。分類器は通常、常に何らかの答えを返す。正しかろうと間違っていようと、最高スコアのクラスを出力して終わりだ。でもMC Dropoutを使えば「今回の予測に自信がない」という情報が付いてくる。それを使って処理を切り替えるのは、システム設計として自然だと思う。

信号分類に限らず、リアルタイム推論のあちこちで使えるパターンかもしれない。変調認識という具体的な文脈で動いているのを見ると、応用の範囲は意外と広そうだな。

— ランキン

出典

• Nurettin Safak et al., “An Uncertainty-Driven Hybrid Deep Learning Approach for Broad-Coverage RF Modulation Recognition”, arXiv:2608.00796 (2026-08-01)。著者らの報告値で、査読前プレプリント。
  https://arxiv.org/abs/2608.00796