面向可靠AI的6G：检测无线网络中的概念漂移
网络与互联网体系结构
2025-08-04 v1 机器学习
摘要
AI原生6G网络通过在无线接入网和核心网中嵌入机器学习模型，承诺实现前所未有的自动化和性能。然而，由于基础设施变更、用户移动性和新兴流量模式导致的无线环境非平稳性，会快速降低这些模型的准确性。现有方法大多高度依赖具体领域，或在处理特定类型的概念漂移时表现不佳。本文引入两种无监督、模型无关的批量概念漂移检测器。这两种方法计算预期效用分数，以决定是否发生概念漂移以及是否需要重新训练模型，部署后无需真实标签。我们在室外定位的指纹识别和链路异常检测两个真实无线应用场景中验证了该框架，结果显示两种方法相较于ADWIN、DDM、CUSUM等经典检测器提升了20-40个百分点。此外，它们在正确触发重新训练警报方面达到了0.94和1.00的F1分数，使其相较于最佳经典检测器的误报率降低了最高可达20个百分点。
引用
@article{arxiv.2508.00042,
title = {Towards Reliable AI in 6G: Detecting Concept Drift in Wireless Network},
author = {Athanasios Tziouvaras and Carolina Fortuna and George Floros and Kostas Kolomvatsos and Panagiotis Sarigiannidis and Marko Grobelnik and Blaž Bertalanič},
journal= {arXiv preprint arXiv:2508.00042},
year = {2025}
}
备注
10 pages, 12 figures