Signalverbesserung & Klassifikation via gekoppelte Diffusionsmodelle

Die robuste Klassifikation in verrauschten Umgebungen bleibt eine zentrale Herausforderung im maschinellen Lernen. Traditionelle Verfahren trennen Signalverbesserung und Klassifikation strikt: erst wird das Signal gereinigt, danach wird ein Klassifikator angewendet. Dieser Ansatz nutzt jedoch die semantische Information, die im Klassifikator‑Output vorhanden ist, nicht aus.

In der vorliegenden Arbeit wird ein generisches, domänenunabhängiges Framework vorgestellt, das zwei miteinander interagierende Diffusionsmodelle kombiniert: eines arbeitet auf dem Eingabesignal, das andere auf den Logits des Klassifikators. Durch diese gekoppelte Formulierung kann das Signal die Klassenabschätzung verfeinern, während die sich entwickelnden Logits die Signalrekonstruktion gezielt in diskriminative Regionen des Merkmalsraums lenken – ohne dass der Klassifikator neu trainiert oder feinjustiert werden muss.

Die Autoren entwickeln drei Strategien, um die gemeinsame Verteilung von Signal und Logit effektiv zu modellieren. In umfangreichen Tests auf Bildklassifikation und automatischer Spracherkennung übertrifft das neue Verfahren die herkömmlichen sequentiellen Baselines und liefert robuste, flexible Verbesserungen der Klassifikationsgenauigkeit unter verschiedensten Rauschbedingungen.

Das vorgestellte Konzept demonstriert, dass die gleichzeitige Optimierung von Signal und Klassifikation erhebliche Vorteile bringt und damit einen wichtigen Schritt in Richtung einer zuverlässigeren Verarbeitung verrauschter Daten darstellt.