FuseAMC
一种用于自动调制分类的轻量级决策融合模型，结合残差CNN与基于高阶累积量特征的梯度提升树分类器，通过逻辑回归元组合器融合二者后验概率，可在单CPU核心上训练与推理。
时间轴 (近 90 天)
FuseAMC是一个轻量级决策融合模型，在RadioML 2016.10a数据集上实现了超越各自基线的性能，且整个流程仅需一个CPU核心即可训练和运行。
FuseAMC的核心是一个逻辑回归元组合器，接收两个子模型的类后验概率拼接作为输入，在与测试集不相交的验证集上训练。
FuseAMC的两个子模型分别是约198k参数的残差CNN和梯度提升树（GBT）累积量分类器。
FuseAMC整个模型参数量约0.2百万，模型footprint仅几兆字节，每帧约3 MFLOPs计算量。
在RadioML 2016.10a数据集上，使用5个随机种子和44k帧的留出测试集，FuseAMC达到55.8%的整体准确率。
FuseAMC相比最佳累积量特征基线提升5.1个百分点，相比单独CNN提升3.2个百分点。
配对自助法（paired-bootstrap）95%置信区间下界分别为5.0和3.1个百分点，均为正，表明提升具有统计显著性。
FuseAMC在高SNR区间匹配了最佳经典基线的性能，在低SNR区间则匹配了CNN的性能。
全部知识事实 (8)
FuseAMC是一个轻量级决策融合模型，在RadioML 2016.10a数据集上实现了超越各自基线的性能，且整个流程仅需一个CPU核心即可训练和运行。
50%待验证FuseAMC的核心是一个逻辑回归元组合器，接收两个子模型的类后验概率拼接作为输入，在与测试集不相交的验证集上训练。
50%待验证FuseAMC的两个子模型分别是约198k参数的残差CNN和梯度提升树（GBT）累积量分类器。
50%待验证FuseAMC整个模型参数量约0.2百万，模型footprint仅几兆字节，每帧约3 MFLOPs计算量。
50%待验证在RadioML 2016.10a数据集上，使用5个随机种子和44k帧的留出测试集，FuseAMC达到55.8%的整体准确率。
50%待验证FuseAMC相比最佳累积量特征基线提升5.1个百分点，相比单独CNN提升3.2个百分点。
50%待验证配对自助法（paired-bootstrap）95%置信区间下界分别为5.0和3.1个百分点，均为正，表明提升具有统计显著性。
50%待验证FuseAMC在高SNR区间匹配了最佳经典基线的性能，在低SNR区间则匹配了CNN的性能。
50%