PulseAugur
中
实时 04:02:04
English(EN) Reconstruction of SINR Maps from Sparse Measurements using Group Equivariant Non-Expansive Operators

新的机器学习方法从稀疏数据中重建6G SINR图 · 跟踪到1个来源

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新颖的机器学习框架，使用群等变非扩张算子（GENEOs）从稀疏测量中重建6G无线网络的信噪比（SINR）图。该方法将领域特定的几何先验知识（如平移不变性和旋转等变性）嵌入其结构中，从而能够用最少的数据进行有效重建。该方法优先考虑保留SINR图的拓扑结构（如覆盖空洞和干扰模式），而不是像素级精度。在现实城市场景中的评估表明，GENEOs在统计和拓扑精度方面均优于现有基线，在采样率低至1%且测量误差显著的情况下，均方误差最多可降低45%，1-Wasserstein距离最多可降低54%。 AI

影响 通过改进从有限数据中重建SINR图的能力，从而能够更高效、更准确地管理未来6G无线系统中的网络。

排序理由 详细介绍一种新的信号重建机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的机器学习方法从稀疏数据中重建6G SINR图 · 跟踪到1个来源

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Lorenzo Mario Amorosa, Francesco Conti, Nicola Quercioli, Flavio Zabini, Tayebeh Lotfi Mahyari, Yiqun Ge, Patrizio Frosini ·

    使用群等变非扩张算子从稀疏测量中重建SINR图

    arXiv:2507.19349v3 Announce Type: replace Abstract: As sixth generation (6G) wireless networks evolve, accurate signal-to-interference-noise ratio (SINR) maps are becoming increasingly critical for effective resource management and optimization. However, acquiring such maps at hi…

相关实体

相关话题