본 논문은 다양한 스펙트럼 환경과 작업에서 제한된 일반화 및 최적이 아닌 정확도를 보이는 기존의 스펙트럼 인식 방법의 한계를 극복하기 위해, 스펙트럼 기반 모델인 SpectrumFM을 제안한다. SpectrumFM은 합성곱 신경망과 다중 헤드 자기 주의 메커니즘을 활용하는 혁신적인 스펙트럼 인코더를 통해 스펙트럼 데이터의 미세한 지역 신호 구조와 고차원적 전역 의존성을 효과적으로 포착한다. 모델의 적응성을 높이기 위해 마스크 재구성과 다음 슬롯 신호 예측이라는 두 가지 새로운 자기 지도 학습 작업을 개발하여 SpectrumFM을 사전 훈련하고 풍부하고 전이 가능한 표현을 학습한다. 또한, 저랭크 적응(LoRA) 매개변수 효율적 미세 조정을 활용하여 SpectrumFM이 스펙트럼 감지(SS), 이상 탐지(AD), 무선 기술 분류(WTC)를 포함한 다양한 하위 스펙트럼 인식 작업에 원활하게 적응할 수 있도록 한다. 광범위한 실험을 통해 SpectrumFM이 최첨단 방법보다 우수함을 보여주는데, 특히 SS 작업에서 -4dB SNR에서 검출 확률을 30% 향상시키고, AD 작업에서 AUC를 10% 이상 향상시키며, WTC 정확도를 9.6% 향상시킨다.
