PathFinder：推进单至多发射器场景下的路径损失预测
机器学习
2026-03-30 v3 人工智能
摘要
无线电路径损失预测（RPP）对于优化5G网络及实现物联网、智慧城市等应用至关重要。然而，当前基于深度学习的RPP方法缺乏主动的环境建模，难以处理现实中的多发射器场景，并且在分布迁移下（尤其是训练/测试环境在建筑密度或发射器配置不同时）泛化性差。本文识别出三个关键问题：（1）被动的环境建模忽略了发射器和关键环境特征；（2）尽管现实场景中多发射器应用广泛，却过度强调单发射器场景；（3）过度关注分布内性能，忽视了分布迁移挑战。为此，我们提出PathFinder—a一种新型架构，通过解耦特征编码主动建模建筑和发射器，并集成掩码引导低秩注意力机制，独立聚焦接收器和建筑区域。我们还引入面向鲁棒训练的Transmitter-Oriented Mixup策略，并构建新的基准——单至多发射器路径损失预测（S2MT-RPP），旨在评估外推性能（多发射器测试后单发射器训练）。实验结果表明，PathFinder在挑战性的多发射器场景下显著优于现有SOTA方法。我们的代码和项目站点可在 https://emorzz1g.github.io/PathFinder/ 查看。
引用
@article{arxiv.2512.14150,
title = {PathFinder: Advancing Path Loss Prediction for Single-to-Multi-Transmitter Scenario},
author = {Zhijie Zhong and Zhiwen Yu and Pengyu Li and Jianming Lv and C. L. Philip Chen and Min Chen},
journal= {arXiv preprint arXiv:2512.14150},
year = {2026}
}
备注
41 pages, 16 figures, 6 tables. Under review