基于Transformer的神经代理模型用于从可变尺寸地图进行链路级路径损耗预测
机器学习
2023-10-11 v2
摘要
估计发射机-接收机位置的路径损耗对包括网络规划与切换在内的许多用例至关重要。机器学习已成为基于地图数据预测无线信道特性的流行工具。在本工作中，我们提出一种基于transformer的神经网络架构，能够从各种尺寸的地图及稀疏测量中预测链路级特性。该地图包含关于建筑物与植被的信息。transformer模型关注与路径损耗预测相关的区域，因此可高效扩展到不同尺寸的地图。此外，我们的方法使用连续的发射机与接收机坐标，无需依赖离散化。在实验中，我们表明所提模型能够从稀疏训练数据高效学习主导路径损耗，并在新地图测试时泛化良好。
引用
@article{arxiv.2310.04570,
title = {Transformer-Based Neural Surrogate for Link-Level Path Loss Prediction from Variable-Sized Maps},
author = {Thomas M. Hehn and Tribhuvanesh Orekondy and Ori Shental and Arash Behboodi and Juan Bucheli and Akash Doshi and June Namgoong and Taesang Yoo and Ashwin Sampath and Joseph B. Soriaga},
journal= {arXiv preprint arXiv:2310.04570},
year = {2023}
}
备注
Accepted at IEEE GLOBECOM 2023, v2: Changed license on arxiv