用于链路特定不确定性预测的异方差神经网络
机器学习
2025-12-01 v1 信号处理
摘要
传统和现代基于机器学习的路径损耗模型通常假设恒定的预测方差。我们提出一种神经网络，联合预测均值和链路特定方差，通过最小化高斯负对数似然实现异方差不确定性估计。我们比较了共享、部分共享和独立参数架构，基于大型公开射频驾驶测试数据集中的准确性、校准和锐利度指标进行评估。共享参数架构表现最佳，实现了7.4 dB的均方根误差(RMSE)、95.1%的95%置信区间覆盖率，以及29.6 dB的平均区间宽度。这些不确定性估计进一步支持链路特定覆盖边际，改进射频规划和干扰分析，提供有效的模型弱点的自诊断能力。
引用
@article{arxiv.2511.23243,
title = {Heteroscedastic Neural Networks for Path Loss Prediction with Link-Specific Uncertainty},
author = {Jonathan Ethier},
journal= {arXiv preprint arXiv:2511.23243},
year = {2025}
}
备注
Submitted to IEEE AWPL in December 2025. 5 pages, 2 figures, 4 tables