Generalizability of ML-Based Classification of State of Polarization Signatures Across Different Bands and Links
Paper i proceeding, 2026
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.
Generalization
Optical networks
Network sensing
Författare
Leyla Sadighi
Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk
Carlos Natalino Da Silva
Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk
Stefan Karlsson
Lena Wosinska
Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk
Marco Ruffini
Marija Furdek Prekratic
Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk
European Conference on Optical Communication, ECOC
Th.02.01.2
European Conference on Optical Communications (ECOC)
Copenhagen, Denmark,
Copenhagen, Denmark,
5G betrodda och säkra nätverkstjänster (5G-TACTIC)
Europeiska kommissionen (EU) (EC/H2020/101127973), 2023-12-01 -- 2026-11-30.
Efficient Confluent Edge Networks (ECO-eNET)
Europeiska kommissionen (EU) (EC/HE/101139133), 2024-01-01 -- 2028-12-31.
InfraTrust: Möjliggör pålitliga tjänster över sårbar fysisk nätverksinfrastruktur
Vetenskapsrådet (VR) (2023-05249), 2024-01-01 -- 2027-12-31.
Styrkeområden
Informations- och kommunikationsteknik
Ämneskategorier (SSIF 2025)
Telekommunikation
DOI
10.1109/ECOC66593.2025.11263096