基于群等变非扩张算子从稀疏测量重建 SINR 图
机器学习
2025-10-15 v2 网络与互联网体系结构
摘要
随着第六代 (6G) 无线网络的演化，精确的信噪比 (SINR) 图对于有效的资源管理和优化日益至关重要。然而，在高分辨率下获取此类图往往成本高昂，导致严重的数据稀缺挑战。这需要机器学习 (ML) 方法能够从极少的测量中稳健地重建完整图。为此，我们提出一种基于群等变非扩张算子 (GENEO) 的新型重建框架。不同于数据密集型的 ML 模型，GENEO 是低复杂度算子，将特定的几何先验（如平移不变性）直接嵌入其结构中。这提供了强大的归纳偏置，使其能够仅通过少量样本即可实现有效重建。我们的关键洞见在于，对于网络管理而言，保持 SINR 图的拓扑结构（如覆盖孔洞和干扰图样的几何）比最小化像素级误差更为关键。我们在基于真实射线追踪的城市场景上进行验证，分别使用传统统计指标（均方误差 MSE）和关键的拓扑指标（1-Wasserstein 距离）进行评估。结果表明，虽保持竞争的 MSE，本方法在拓扑保真度上显著超越了既定的 ML 基线。这表明 GENEO 为创建结构准确的 SINR 图提供了实际优势，这些图在下游网络优化任务中更可靠。
引用
@article{arxiv.2507.19349,
title = {Reconstruction of SINR Maps from Sparse Measurements using Group Equivariant Non-Expansive Operators},
author = {Lorenzo Mario Amorosa and Francesco Conti and Nicola Quercioli and Flavio Zabini and Tayebeh Lotfi Mahyari and Yiqun Ge and Patrizio Frosini},
journal= {arXiv preprint arXiv:2507.19349},
year = {2025}
}