RieIF：面向6G无线网络中鲁棒时空图信号预测的知识驱动黎曼信息流
信号处理
2026-04-09 v1
摘要
随着6G向智能网络自治演进，人工智能（AI）原生操作日益关键。无线网络持续生成丰富且异构的数据，这些数据本质上呈现时空图结构。然而，有限的无线资源导致测量不完整且噪声较大。当目标变量及其最强关联因子在连续区间缺失时，形成系统性盲点。这一挑战进一步加剧。为此，我们提出RieIF（知识驱动黎曼信息流），一个在Fisher-Rao几何下实现分析可行性的框架，集成知识图（KG）以实现鲁棒时空图信号预测。为实现分析可行性，我们将输入从黎曼流形投影到正单位球面上，在该空间中角度相似性计算高效。该投影通过图变换器实现，利用KG作为结构先验约束注意力并生成微流。同时，长短期记忆（LSTM）模型捕获时序动态以产生宏流。最后，通过几何门控机制自适应融合微流（突出几何形状）和宏流（强调信号强度），实现信号恢复。在三个无线数据集上进行的实验显示，在系统性盲点下均实现一致改进，包括最高31%的均方根误差降低和最高3.2 dB的恢复信噪比提升，同时对图稀疏和测量噪声保持鲁棒性。
引用
@article{arxiv.2604.06971,
title = {RieIF: Knowledge-Driven Riemannian Information Flow for Robust Spatio-Temporal Graph Signal Prediction in 6G Wireless Networks},
author = {Zhonghao Jiu and Yongming Huang and Fan Meng and Hang Zhan and Zening Liu and Xiaohu You},
journal= {arXiv preprint arXiv:2604.06971},
year = {2026}
}
备注
13 pages, 6 figures, submitted to IEEE Transactions on Wireless Communications