基于跨环境 Transformer 估计器实现任意到任意的信道增益学习
信号处理
2026-05-12 v1 信息论
机器学习
math.IT
摘要
信道增益图提供地理区域内任意两个位置之间的信道增益。它们广泛应用于资源分配、干扰控制以及自动驾驶车辆的路径规划等领域。信道增益图估计（Channel-gain map estimation, CGME）比conventional radio map estimation（RME）要困难得多，因为信道增益图是6维输入空间上的函数。这要求采用专门的方法，现有方法依赖不准确的射频断层模型或需要大量测量数据，因为未利用任何空间结构。本文通过利用信道增益图在不同环境中所呈现的空间模式（由物理定律和典型环境特征（如建筑材料和布局）决定），克服了这一难题。采用元学习视角，提出了一种基于Transformer的估计器，以隐式方式从多个环境中收集的测量数据中学习这种共性结构。这使得在新环境中仅需显著更少的测量数据（我们实验中减少约5倍）即可进行CGME。为最大化学习效率，Transformer 由一种特征映射组成，该映射强制执行CGME的不变性（如源于互惠性的约束）。数值实验证实了所提方法相对于现有方法的优势。
关键词
引用
@article{arxiv.2605.08211,
title = {Learning the Channel Gain from Anywhere to Anywhere via Cross-environment Transformer Estimators},
author = {Prasenjit Dhara and Daniel Romero},
journal= {arXiv preprint arXiv:2605.08211},
year = {2026}
}