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.
Network sensing
Optical networks
Generalization
Författare
Leyla Sadighi
Trinity College Dublin
Carlos Natalino Da Silva
Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk
Stefan Karlsson
Micropol Fiberoptics AB
Lena Wosinska
Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk
Eoin Kenny
HEAnet
Marco Ruffini
Trinity College Dublin
Marija Furdek Prekratic
Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk
European Conference on Optical Communication, ECOC
Th.02.01.2
9798331595319 (ISBN)
European Conference on Optical Communications (ECOC)
Copenhagen, Denmark,
Copenhagen, Denmark,
InfraTrust: Möjliggör pålitliga tjänster över sårbar fysisk nätverksinfrastruktur
Vetenskapsrådet (VR) (2023-05249), 2024-01-01 -- 2027-12-31.
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)
Telekommunikation
DOI
10.1109/ECOC66593.2025.11263096
ISBN
9798331595319