Optical signal-to-noise ratio

AI框架通过保证的不确定性区间提升光网络可靠性

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。