基于持久同调的AI原生无线接收机韧性表征
信息论
2026-05-25 v1 机器学习
网络与互联网体系结构
math.IT
摘要
基于深度学习的AI原生无线接收器在平稳信道条件下表现出色，但其对分布迁移的韧性仍无法通过比特错误率（BER）等常规指标进行充分刻画。为克服这些限制，本文提出一种新型实时指标——拓扑韧性指数（TRI），其基于持久同调和持久性指数。TRI通过衡量神经网络接收器参数空间在针对非平稳信道在线适应期间的结构稳定性来量化韧性。具体而言，TRI通过三个互补维度来衡量韧性：(i) 验证损失韧性，衡量模型与信道之间的不匹配，基于损失景观次等值集合的拓扑持久性；(ii) 信道脉冲响应（CIR）分布迁移，跟踪CIR向量从校准参考分布中的几何漂移；(iii) 信道流形拓扑，通过归一化 Olivier-Ricci 曲率范数来衡量高斯核矩阵的谱间隙。我们建立了理论保证，表明TRI有上界、在性能退化下单调递减，并且相对于以Wasserstein距离度量的信道分布扰动具有Lipschitz稳定性。仿真结果表明，在三个迁移速率下进行的十次ITU-R间环境转换适配中，TRI相对于梯度范数和验证损失基线，提供了超过一个OFDM符号的一致性平均预警提前，而梯度范数基线在每个场景中均实现零提前。此外，所提出的TRI引导的突发重适应在200个OFDM符号内将后迁移BER降低了80%。
引用
@article{arxiv.2605.22886,
title = {Resilience Characterization of AI-Native Wireless Receivers via Persistent Homology},
author = {Christo Kurisummoottil Thomas and Emilio Calvanese Strinati},
journal= {arXiv preprint arXiv:2605.22886},
year = {2026}
}