面向无线网络的特征漂移检测表示学习方法
机器学习
2025-12-24 v2
摘要
AI被预期将成为下一代无线网络的核心，使其能够实现普适通信以及新服务。然而，在实际部署中，特征分布的变化可能导致AI模型性能下降并引发不可预期的行为。为解决 undetected model degradation 的问题，我们提出了 ALERT 方法，能够检测特征分布变化并触发模型重新训练。在无线指纹和链路异常检测两个用例中，ALERT 表现出色。ALERT 包括三个组件：表示学习、统计测试和效用评估。我们采用 MLP 设计表示学习组件，采用Kolmogorov-Smirnov 检验和Population Stability Index 检验设计统计测试，并提出一种新的效用评估函数。我们在两个无线网络用例中展示了该方法相对于文献中十种标准漂移检测方法的优越性。
引用
@article{arxiv.2505.10325,
title = {A Representation Learning Approach to Feature Drift Detection in Wireless Networks},
author = {Athanasios Tziouvaras and Blaz Bertalanic and George Floros and Kostas Kolomvatsos and Panagiotis Sarigiannidis and Carolina Fortuna},
journal= {arXiv preprint arXiv:2505.10325},
year = {2025}
}