본 논문은 다양한 스펙트럼 환경과 작업에 적용 가능한 스펙트럼 인지(spectrum cognition)를 위한 새로운 패러다임으로 스펙트럼 기반 모델(SpectrumFM)을 제안합니다. SpectrumFM은 합성곱 신경망과 멀티 헤드 셀프 어텐션 메커니즘을 활용한 혁신적인 스펙트럼 인코더를 통해 스펙트럼 데이터의 미세한 지역적 신호 구조와 고차원적 전역 의존성을 효과적으로 포착합니다. 마스크 재구성 및 다음 슬롯 신호 예측이라는 두 가지 새로운 자기 지도 학습 과제를 통해 모델의 적응성을 높이고 풍부하고 전이 가능한 표현을 학습합니다. 또한, 저랭크 적응(LoRA) 매개변수 효율적인 미세 조정을 활용하여 스펙트럼 감지(SS), 이상 탐지(AD), 무선 기술 분류(WTC) 등 다양한 하위 스펙트럼 인지 작업에 SpectrumFM을 원활하게 적용할 수 있도록 합니다. 광범위한 실험을 통해 기존 최첨단 방법보다 SpectrumFM의 우수성을 입증합니다. 특히, SS 작업에서 -4dB SNR에서 검출 확률을 30% 향상시키고, AD 작업에서 AUC를 10% 이상 향상시키며, WTC 정확도를 9.6% 향상시킵니다.
