Generalizability of ML-Based Classification of State of Polarization Signatures Across Different Bands and Links
Paper i proceeding, 2025

We evaluate the Machine Learning (ML) model generalization for State of Polarization (SOP)-based event classification across spectral bands and links. Results show strong intra-system accuracy of up to 98.6% but limited cross-system generalizability, whereas multi-system training improves performance, highlighting the need for specific system-level knowledge.

Författare

Leyla Sadighi

Trinity College Dublin

Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk

Carlos Natalino Da Silva

Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk

Stefan Karlsson

Micropol Fiberoptics AB

Marco Ruffini

Trinity College Dublin

Eoin Kenn

HEAnet

Lena Wosinska

Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk

Marija Furdek Prekratic

Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk

European Conference on Optical Communication, ECOC

The 51st European Conference on Optical Communication
Copenhagen, Denmark,

Efficient Confluent Edge Networks (ECO-eNET)

Europeiska kommissionen (EU) (EC/HE/101139133), 2024-01-01 -- 2028-12-31.

5G betrodda och säkra nätverkstjänster (5G-TACTIC)

Europeiska kommissionen (EU) (EC/H2020/101127973), 2023-12-01 -- 2026-11-30.

Styrkeområden

Informations- och kommunikationsteknik

Ämneskategorier (SSIF 2025)

Elektroteknik och elektronik

Mer information

Senast uppdaterat

2025-06-18