RadioGAT：基于图注意力网络的多频段无线电图重建联合模型驱动与数据驱动框架

多频段无线电图重建（MB-RMR）是无线通信中用于频谱管理和网络规划等任务的关键组成部分。然而，传统的基于机器学习的MB-RMR方法严重依赖仿真数据或完整的结构化真实值，面临显著的部署挑战。这些挑战源于仿真数据与实际数据之间的差异，以及真实世界测量数据的稀缺。为应对这些挑战，我们的研究提出了RadioGAT，一个基于图注意力网络（GAT）的新颖框架，专为单一区域内的MB-RMR量身定制，无需多区域数据集。RadioGAT创新性地将基于模型的空间-频谱相关性编码与数据驱动的无线电图泛化相融合，从而最大限度地减少了对广泛数据源的依赖。该框架首先通过一种创新的编码策略将稀疏的多频段数据转换为图结构，该策略利用无线传播模型来捕获数据中固有的空间-频谱相关性。这种基于图的表示不仅简化了数据处理，还允许在训练期间进行定制化的标签采样，显著增强了框架的部署适应性。随后，采用GAT来泛化跨不同频段的无线电图信息。使用基于真实世界环境的射线追踪数据集进行的大量实验表明，RadioGAT在有监督学习环境中具有更高的准确性，并在半监督场景中表现出鲁棒性。这些结果突显了RadioGAT在数据可用性有限的环境中进行MB-RMR的有效性和实用性。