信任与否：无线网络中基于机器学习的资源分配的校准问题

在下一代通信与网络中，机器学习模型不仅需要提供准确的预测，还需要提供经过良好校准的置信度分数，以反映正确决策的真实可能性。本文研究了一个单用户多资源分配框架内基于机器学习的中断预测器的校准性能。我们首先建立了该系统在完美校准下中断概率的关键理论性质。重要的是，我们表明，随着资源数量的增加，完美校准预测器的中断概率趋近于其低于分类阈值的条件期望输出。相反，当仅有一个资源可用时，系统的中断概率等于模型的整体期望输出。然后，我们推导了完美校准预测器的中断概率条件。这些发现指导了分类阈值的选择以实现期望的中断概率，帮助系统设计者满足特定的可靠性要求。我们还证明，后处理校准无法改善系统的最小可实现中断概率，因为它没有引入关于未来信道状态的新信息。此外，我们表明，经过良好校准的模型是必然能改善中断概率的更广泛预测器类别的一部分。特别地，我们建立了一个单调性条件，该条件是准确-置信度函数必须满足的，以实现这种改善。为了展示这些理论性质，我们使用后处理校准技术（Platt缩放和保序回归）进行了严格的基于模拟的分析。作为该框架的一部分，预测器使用专门为此系统设计的中断损失函数进行训练。此外，该分析是在瑞利衰落信道上进行的，其时域相关性由考虑接收机移动性的Clarke二维模型捕获。