本归档为第二届“火眼金睛”电磁大数据非凡挑战赛（2nd EBDSC）金奖作品。
目前仅包含主干训练代码，不包括数据集、一些后处理、模型评估等代码。
本仓库已归档 。更进一步的说明与使用，请关注我们未来的工作
Wide-Value-Embs TCN - Proposed Method Wide-value-embeddings Generation for Interleaved Signals 针对宽值域尺度交织信号的嵌入生成
设长度为 $L$ 的 $N$ 维变量 ${\bf s}_{\text{PDW}} \in \mathbb {R}^{L \times N}$ 是输入的信号，$D$ 是所需的嵌入的维度，$E_{i} \in \mathbb{R}^{D}$ 是嵌入，这由所使用的 backbone 网络的输入决定。则我们可以设置步长 $d_\mathrm{step} \in \mathbb{N}^+$ （以下简写为 $d$ ）与 缩放系数 $k \in \mathbb{N}^+$ 来控制最大的模数上界 $M = k^{D/d}$ 。反之，我们也可以由 $M,k$ 决定 $d_\mathrm{step} = D \log_{M}{k}$ 。
$M$ 是最大的模数上界，最大的模数是 $m_{\mathrm{max}} = M / k^{1}$ , 意味输入数据值的模 $m_{\mathrm{max}}$ 无信息损失，这里我们默认 $1$ 是最小的模，因此我们需要线性变化输入数据以使得数据的信息能体现在模 $1 \sim m_{\mathrm{max}}$ 的剩余系 中。
于是我们通过下式子得到宽值域嵌入 ${\bf E}_{\text{PDW}} \in \mathbb {R}^{L \times N \times D}$ ：
$${\bf E}_{\text{PDW}}^{l,n,d i+j} =
f_{\omega =1}(\frac{{{\bf s}^{l,n}_{\text{PDW}}}}{M^{d i/D}} + \frac{j}{d})
,\quad
i \in \{0,1,...,D/d -1\} ,\quad j\in \{1,2,...,d\}$$
其中 $di+j\in {1,2,...,D}$ 是嵌入的一个维度，$x$ 是该输入 token 的值。
$f_{\omega =1}(\cdot)$ 是所使用的周期为 1 的线性周期函数，我们所使用的是
$$
f_{\omega =1}(x) \doteq x \bmod 1 \cdot 2-1
$$
也就是说，宽值域嵌入的相当与一个正整数倍的线性周期函数族，波长形成了从$1$到$M$的正整数 $k$ 倍，这样可以防止在之后的掩码中产生信息泄露，即只有在更大 $m$ 的维度才包含小尺度下的信息。我们选择了这个函数，因为我们假设在卷积运算中，它可以使模型轻松学习相对的关注，因为对于任何固定的值 $x$ 偏移 $k$ ，${\bf E}(x)$ 与 ${\bf E}(x+k)$ 差值不变。
反向宽值域嵌入
宽值域嵌入的逆变换是：
$$\hat{\bf s}^{l,n}_{\text{PDW}} =
\sum_{i=0}^{D/d-1}
\frac{\sum_{j=1}^{d}
{f^{-1}_{\omega =1}(
\hat{\bf E}}_{\text{PDW}}^{l,n,d i+j} ) - \frac{j}{d} }
{d}
M^{\frac{di}{D} }$$
其中 $f^{-1}_{\omega =1}$ 是 $f_{\omega =1}$ 的在任意周期内的反函数。即我们使用的
$$f^{-1}_{\omega =1}(x) = (x + 1)/ 2$$
Hard Sample Mining (as Interleave Construction) Based on Masking 通过掩码构建交织，可以迫使主干神经网络通过序列信号深层的特征分类信号，而非肤浅的简单统计特征。
我们将掩码表示为 $\textbf{M}$ ，将掩码区域的填充值表示为 $\textbf{z}$ . 掩码后的嵌入可以表示为 $\textbf{M}*\textbf{x} + (1-\textbf{M}) * \textbf{z}$ 接下来，我们开始按照我们的设计原则构建掩码策略。
由于我们的宽值域嵌入 妥善设计，更高的嵌入维度 $d$ 意味着特征从有用到平凡的变化 $f \to g$ ，如下图所示，更低的维度的蕴含语义更复杂，甚至趋向于随机值，而高维度的特征非常明显，用简单的统计方法就能分类。因此，我们对嵌入的以下维度进行掩码
已知模 $m$ 查找进行掩码的最低维度函数 ${\mathrm d}_{\mathrm {low}}(\cdot)$
$$\begin{align}
{\mathrm d}_{\mathrm {low}}(m) = \left \lfloor d \cdot \log_{k} m \right \rfloor
\end{align}$$
这样我们对 $d > {\mathrm d}_{\mathrm {low}}(m)$ 的维度掩码，就能近似构建极大极小差值为 $m$ 信号的交织情况。
掩码函数 $F_\mathrm{mask}(\cdot, d_{\mathrm{low}})$ 输入为宽值域嵌入 ${\bf E}_{\text{PDW}} \in \mathbb {R}^{L \times N \times D}$ ，输出为 ${\bf E}_{\text{PDW}}^{\mathrm{masked}} \in \mathbb {R}^{L \times N \times D}$
我们有以下掩码方案：
设 $E_{}=[ e_{1}^{l,n},e_{2}^{l,n},...,e_{D}^{l,n} ]$ ，这里的 $d_{\mathrm{low}}$ 表示为 ${\mathrm d}_{\mathrm {low}}(m)$ 的一个随机采样
$$\mathrm{F}_\mathrm{mask}({\bf E}, d_{\mathrm{low}}) =
\left\{
\begin{matrix}
\mathcal{R} \left( e_d \right), & d \ge d_{\mathrm{low}} \\\
e_d, & d < d_{\mathrm{low}}
\end{matrix}
\right.$$
其中，$\mathcal{R}(\cdot)$ 表示产生一个相同、元素均匀分布在 $[0,1]$ 之间的张量，对应一般的 rand_like 函数。
掩码遮蔽了平凡的特征 $g$ ，随机掩码能大大提升抗噪性能。
训练评估模型主要文件：tcn_pos_all.py
by Framist - 「电磁利剑 101」战队 - 如有任何问题，请联系我们
