मौजूदा स्पेक्ट्रम पहचान विधियों की सीमाओं को दूर करने के लिए, जो विविध वर्णक्रमीय वातावरणों और कार्यों में सीमित सामान्यीकरण और कम सटीकता प्रदर्शित करती हैं, हम स्पेक्ट्रम-आधारित मॉडल, स्पेक्ट्रमएफएम, का प्रस्ताव करते हैं। स्पेक्ट्रमएफएम एक अभिनव वर्णक्रमीय एनकोडर के माध्यम से वर्णक्रमीय डेटा में सूक्ष्म स्थानीय सिग्नल संरचनाओं और उच्च-आयामी वैश्विक निर्भरताओं को प्रभावी ढंग से ग्रहण करता है जो कन्वोल्यूशनल न्यूरल नेटवर्क और एक बहु-शीर्ष स्व-ध्यान तंत्र का लाभ उठाता है। मॉडल की अनुकूलन क्षमता को बढ़ाने के लिए, हम स्पेक्ट्रमएफएम को पूर्व-प्रशिक्षित करने और समृद्ध, हस्तांतरणीय अभ्यावेदन सीखने के लिए दो नए स्व-पर्यवेक्षित शिक्षण कार्य—मास्क पुनर्निर्माण और अगले-स्लॉट सिग्नल पूर्वानुमान—विकसित करते हैं। इसके अलावा, हम स्पेक्ट्रमएफएम को स्पेक्ट्रम संवेदन (एसएस), विसंगति संसूचन (एडी), और वायरलेस प्रौद्योगिकी वर्गीकरण (डब्ल्यूटीसी) सहित विविध उप-वर्णक्रमीय पहचान कार्यों के लिए सहज रूप से अनुकूलित करने में सक्षम बनाने के लिए निम्न-श्रेणी अनुकूलन (LoRA) पैरामीटर-कुशल फ़ाइन-ट्यूनिंग का लाभ उठाते हैं। व्यापक प्रयोगों से पता चलता है कि स्पेक्ट्रमएफएम अत्याधुनिक विधियों से बेहतर प्रदर्शन करता है, विशेष रूप से एसएस कार्य में -4 डीबी एसएनआर पर पता लगाने की संभावना में 30% सुधार, एडी कार्य में वक्र के नीचे के क्षेत्र (एयूसी) में 10% से अधिक सुधार, और डब्ल्यूटीसी सटीकता में 9.6% सुधार।
