无线网络的几何特征统计学习
机器学习
2019-06-19 v1 网络与互联网体系结构
机器学习
摘要
受蜂窝网络中小区负载预测的驱动，我们提出以下新的基本问题：点过程几何标记的统计学习。未知的标记函数依赖于点模式的几何，产生点的特征（标记）。目标是从已标记点模式的样本中学习该函数，以预测新点模式的标记。为逼近（插值）标记函数，在我们的基线方法中，我们基于某种局部点距离表示建立标记的统计回归模型。在更先进的方法中，我们通过随机测度的散射矩使用全局数据表示，其构建了信息丰富且对形变稳定的数据表示，已在图像分析及相关应用领域被证明有用。此时，已标记点模式散射矩相对于未标记模式的回归与从估计散射矩恢复标记的逆问题数值解相结合。考虑无线网络中建模常出现的某些简单通用标记，如散粒噪声值、最近邻距离及Voronoi单元的一些特征，我们表明散射矩能捕捉与基线方法相似的几何信息，并甚至可达到更好性能，尤其对于非局部标记函数。我们的结果激励了随机几何与无线网络分析统计学习工具的进一步发展，特别是从基站位置与业务需求预测蜂窝网络中小区负载。
引用
@article{arxiv.1812.08265,
title = {Statistical learning of geometric characteristics of wireless networks},
author = {Antoine Brochard and Bartłomiej Błaszczyszyn and Stéphane Mallat and Sixin Zhang},
journal= {arXiv preprint arXiv:1812.08265},
year = {2019}
}
备注
Accepted for IEEE INFOCOM 2019