.png){kind=icon}
返回
Theory-Guided Modeling for Network Performance Prediction
.png){kind=icon}
PRE
AI
DOI：10.1109/tnse.2026.3694262.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无线通信技术的快速发展显著增加了网络环境的复杂性，使得精确的性能预测成为网络规划和优化的关键任务。可靠的预测支持高效的资源管理、服务质量保障和稳健的系统运行。然而，当前方法面临三大挑战：（i）无线传播环境高度复杂且难以建模；（ii）测量数据收集成本高且通常不平衡；（iii）数据驱动模型缺乏可解释性和可信度。为解决这些问题，我们提出了一种理论引导建模（TGM）框架，该框架将通信理论与机器学习相结合。TGM将其架构和损失函数嵌入了对数距离路径损耗模型和香农容量等经典传播定律，引入理论先验以增强在数据不完善情况下的鲁棒性，并通过偏微分方程（PDEs）约束输出可解释的物理系数。这种混合范式有效平衡了准确性、鲁棒性和可解释性。针对路径损耗和吞吐量预测的全面实验表明，与当前最先进的方法相比，TGM可将平均绝对误差（MAE）降低高达62.6%。
Keyword:
Network performance prediction
theory-Guided Modeling
hybrid loss function
wireless propagation modeling
physics-informed learning
path-loss prediction
throughput prediction
GradNorm
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
机构
引用论文
.png){kind=icon}
分享收藏On the Road to 6G: Visions, Requirements, Key Technologies, and Testbeds在通往6g的道路上: 愿景、需求、关键技术和测试平台
OAAI
OAAI分享收藏分享收藏YOLO-Based Semantic Communication With Generative AI-Aided Resource Allocation for Digital Twins Construction基于YOLO的语义通信与生成式AI辅助资源分配，用于数字双胞胎的构建OAAI
OAAI分享收藏
查看更多内容