无缝学习用于无线信道预测
信号处理
2025-07-01 v1 网络与互联网体系结构
摘要
现代 5G/6G 部署常常面临跨配置跳接问题——用户穿越信噪比不同的小区，这会导致模型被轻微微调时信道预测 NMSE 平均增加 37.5%。本文将该不匹配问题建模为无缝学习问题，并对三种迁移学习方法族进行基准测试：基于损失感知储存库的重放、synaptic-重要性正则化和无记忆的学习-忘记。在三个典型的 3GPP 城市微型场景中，最佳重放和正则化方案可将高 SNR 误差底峰降低最高 2~dB (约 35%)，即使是轻量级蒸馏也可在基线跳接预测方案上实现约 30% 的改进。这些结果表明，针对性的复习和参数锚定对于实现跳接鲁棒的CSI预测至关重要，并为将无缝学习挂钩嵌入当前3GPP--NR和O-RAN信道预测工作提供了明确的迁移路径。完整代码库可在 https://github.com/ahmd-mohsin/continual-learning-channel-prediction.git 查找。
引用
@article{arxiv.2506.22471,
title = {Continual Learning for Wireless Channel Prediction},
author = {Muhammad Ahmed Mohsin and Muhammad Umer and Ahsan Bilal and Muhammad Ali Jamshed and John M. Cioffi},
journal= {arXiv preprint arXiv:2506.22471},
year = {2025}
}
备注
Accepted at ICML Workshop on ML4Wireless