English(EN) Conformal Risk Control for QoT-Aware Lightpath Feasibility Under Technology-Driven Domain Shift

AI框架通过保证的不确定性区间提升光网络可靠性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-11 05:00

研究人员开发了一个保边风险控制（CRC）框架，以提高用于光网络的AI/ML回归模型的可靠性。这种事后方法在不重新训练现有模型的情况下，为预测提供了统计上保证的不确定性区间。该框架应用于感知传输质量（QoT）的光通路可行性评估，在由网络升级引起的技术驱动域偏移下，显著提高了决策准确性。实验表明，CRC框架达到了其目标覆盖保证，性能优于基线分位数回归方法，并且在避免重新训练的情况下接近迁移学习的性能。 AI

影响增强了光网络中AI/ML的可靠性，在域偏移下提高了决策能力和效率。

排序理由学术论文，详细介绍了光网络中AI/ML回归模型的新框架。[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 →

本文如何被排名

Signal score: 34 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了光网络中AI/ML回归模型的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Kiarash Rezaei, Omran Ayoub, Paolo Monti, Carlos Natalino · 2026-11-11 05:00

面向技术驱动领域迁移的QoT感知光通路可行性的保形风险控制

arXiv:2611.13893v1 Announce Type: new Abstract: Artificial intelligence and machine learning (AI/ML)-based regression models support operational decision-making in optical networks but typically expose only point predictions, which carry no statistically controlled information ab…

本文如何被排名

报道来源 [1]

面向技术驱动领域迁移的QoT感知光通路可行性的保形风险控制

相关实体

相关话题