AI 自动翻译
摘要：室内无线地图估计（RME）对于覆盖规划、定位和网络部署等无线应用至关重要。然而，现有方法大多采用监督学习范式，需要耗费高昂成本的标注数据，并针对特定任务进行模型训练。此外，室内环境涉及建筑布局与结构等隐私敏感信息，这些信息往往难以集中管理。为应对上述挑战，我们首次尝试将室内RME建模为一种协同式上下文学习（ICL）问题。我们提出了Poly-Ripple框架，其中多个客户端在无需更新模型的情况下，利用大型自回归视觉模型（LAVMs）执行ICL。每个客户端基于自身的私有示范进行提示，并预测同一场景查询的无线地图。为了刻画无线传播从发射机（Tx）向外扩散的因果结构，我们采用了涟漪有序的自回归建模方法。此外，我们还引入了重要性感知聚合机制，以在上下文长度约束下有效利用分布于各客户端的异构上下文知识。我们给出了理论分析，并在公开的室内RME基准上开展了大量实验。实验结果表明，Poly-Ripple在性能上始终优于典型的ICL基线方法，且与我们的理论分析相一致。
提交历史
访问 Paper：
查看PDF
HTML（实验性）
TeX 源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
谷歌学术
语义学者
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的机构，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于坚守这些价值观，并且只与同样秉持这些理念的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。