用于路径损耗模型发现的自动建模方法
机器学习
2026-04-20 v4
摘要
传播建模是设计和优化下一代无线系统（特别是 5G 及以后时代）的基石。传统的建模方法长期依赖基于统计的技术来表征不同环境下的传播行为。随着无线通信系统的扩展，对能够保证建模准确性和可解释性的方法的需求日益增长。基于人工智能（AI）的技术越来越多地被采用以克服这一挑战，尽管大多数此类方法无法保证可解释性。受近期 AI 进展的启发，本文提出了一种新方法，能够在保持可解释性的同时加速路径损耗模型的发现。所提出的方法实现了模型公式化、评估和改进的自动化，从而促进了模型的发现。我们研究了两种技术：一种基于深度符号回归，提供完全的可解释性；另一种基于 Kolmogorov-Arnold Networks，提供两个层次的可解释性。这两种方法均在两个合成数据集和两个真实世界数据集上进行了评估。我们的结果表明，Kolmogorov-Arnold Networks 实现了接近 1 的决定系数 R^2 值，且预测误差极小，而深度符号回归生成了具有中等准确度的紧凑模型。此外，在选定的示例中，我们证明了自动化方法优于传统方法，预测误差最高减少了 75%，提供了准确且可解释的解决方案，具有提高下一代路径损耗模型发现效率的潜力。
引用
@article{arxiv.2505.23383,
title = {Automated Modeling Method for Pathloss Model Discovery},
author = {Ahmad Anaqreh and Shih-Kai Chou and Blaž Bertalanič and Mihael Mohorčič and Thomas Lagkas and Carolina Fortuna},
journal= {arXiv preprint arXiv:2505.23383},
year = {2026}
}