面向边缘的目标导向学习：基于空中计算的图神经网络用于阻塞预测
网络与互联网体系结构
2026-03-16 v1
摘要
六代（6G）无线网络从连接设备演进为连接智能。关注点转向目标导向通信（Goal-Oriented Communications），其中通信效果通过任务级目标来评估，而非传统的吞吐量导向指标。随着通信与边缘学习紧密结合，分布式推理面临在任务准确性与高效无线资源使用之间的关键权衡。传统通信方案（如OFDMA）并未针对这一权衡进行设计，常面临可扩展性和延迟性挑战。因此，我们提出一种新型目标导向框架，将空中计算与时空图学习集成。利用无线信道作为模拟聚合层，该框架实现低延迟的消息传递，同时高效聚合来自分布式节点的语义相关特征。理论分析确认，我们的模拟架构收敛于数字消息传递的表达能力，同时提供决定性的可扩展性优势。我们在毫米波网络的主动视线阻塞预测任务中评估了该框架。通过高保真射线追踪仿真，框架对未见网络具有强大的归纳泛化能力，并通过轻量级迁移学习适应领域偏移，匹配甚至超越数字基线，同时显著降低通信开销。
引用
@article{arxiv.2603.13094,
title = {Goal-Oriented Learning at the Edge: Graph Neural Networks Over-the-Air for Blockage Prediction},
author = {Lorenzo Mario Amorosa and Zhan Gao and Tony Chahoud and Yiqun Wu and Lukas Eller and Marco Skocaj and Roberto Verdone},
journal= {arXiv preprint arXiv:2603.13094},
year = {2026}
}