类比学习用于跨场景泛化：框架及在智能定位中的应用
机器学习
2025-07-02 v2 计算工程、金融与科学
信号处理
摘要
现有的学习模型在跨不同场景部署时通常表现出较差的泛化能力。这主要是由于数据的底层参考框架随部署环境和设置而变化。然而，尽管每个场景的数据具有不同的参考框架，其生成通常遵循共同的底层物理规则。基于这一理解，本文提出了一种名为类比学习（AL）的深度学习框架，该框架隐式检索与场景相关的参考框架信息，然后通过与其他场景的相对类比进行准确预测。具体来说，我们设计了一个二分神经网络Mateformer。其第一部分捕获输入数据与来自研究场景的少量嵌入数据之间多个潜在特征空间内的相对性，而第二部分利用这种相对性指导非线性类比。我们将AL应用于蜂窝网络中智能无线定位这一典型的多场景学习问题。大量实验验证了AL在三个关键维度上的优越性。首先，它在单场景基准上达到了最先进的精度。其次，它展示了在不同场景之间的稳定可迁移性，避免了灾难性遗忘。最后，也是最重要的，它能够鲁棒地适应新的、未见过的场景——包括动态天气和交通条件——而无需任何调优。所有数据和代码可在https://github.com/ziruichen-research/ALLoc获取。
引用
@article{arxiv.2504.08811,
title = {Analogical Learning for Cross-Scenario Generalization: Framework and Application to Intelligent Localization},
author = {Zirui Chen and Zhaoyang Zhang and Ziqing Xing and Ridong Li and Zhaohui Yang and Richeng Jin and Chongwen Huang and Yuzhi Yang and Mérouane Debbah},
journal= {arXiv preprint arXiv:2504.08811},
year = {2025}
}