Naukowcy opracowali CorteXforge - automatyczną platformę do generowania realistycznych zbiorów danych sygnałów radiowych na rzeczywistych testbedach SDR, rozwiązując długoletni problem braku dużych, powtarzalnych i jednocześnie realistycznych danych treningowych dla modeli głębokich.
Przedstawiana platforma działa poprzez automatyczne tłumaczenie wysokopoziomowych scenariuszy RF na zsynchronizowane eksperymenty wykonywane na infrastrukturze SLICES-RI/CorteXlab. Generuje w pełni adnotowane zbiory danych w formacie SIGMF, które naturalnie zawierają niedoskonałości sprzętu i efekty propagacji sygnału. To stanowi kompromis między syntetycznymi zbiorami danych - które są łatwe do kontrolowania, ale mniej realistyczne - a rzeczywistymi pomiarami over-the-air, które są realistyczne, ale trudne do powtórzenia i kontrolowania.
Walidacja platformy pokazała zarówno wyzwania jak i możliwości: eksperymenty cross-domain ujawniły lukę wydajności między danymi syntetycznymi a rzeczywistymi pomiarami, ale także potwierdziły, że wstępny trening na danych syntetycznych pozostaje korzystny dla adaptacji do danych OTA. CorteXforge otwiera drogę do bardziej reprodukowalnych i naukowych podejść w generowaniu zbiorów danych RF, co jest kluczowe dla rozwoju modeli zdolnych do uogólniania wiedzy między różnymi środowiskami.