arXiv cs.AI· Mayan Sharma, Kriti Saini, Devansh Behl, Suganya R, S. Vijayaragavan·· 10 小时前AI 评分31
风险受控吞吐量预测真的能控制风险吗？一项关于 LEO 卫星链路的复现研究
When Does Risk-Controlled Throughput Forecasting Actually Control Risk? A Reproduction Study on LEO Satellite Link
AI 导读
对 BG-CFQS 在 Starlink 三条 trace 及一个独立数据集上的复现显示，其风险保证可复现但依赖校准划分：随机划分下 3/3 数据集风险达标，连续时间划分下仅 1/3 达标。
正文 · AI 翻译
摘要：风险预算吞吐量预测将 LEO 卫星容量的点预测转换为保守边界，其高估率保持在用户指定的预算内，从而使准入控制能够安全地依据该边界采取行动。我们在作者使用的三个 Starlink 轨迹以及一个独立的第四个数据集上复现了当前最先进方法 BG-CFQS，并报告四项发现。第一，其风险保证可复现，但以校准划分为条件：在随机划分下，我们复现了所有已发表数值，包括在 3 个数据集中的 3 个上通过风险检验；但在连续时间划分下（即部署终端所面临的情形），仅在 3 个数据集中的 1 个上成立。第二，与任何划分无关，该方法无法服务于低于 0.15 的风险预算，即其候选分位数集合的下限。在所有四个数据集上，在 0.05、0.10 和 0.15 的预算下所达到的比率完全相同，在最紧的预算下超出 1.4 倍至 3.7 倍。第三，静态保形校准无法改善排序，只能移动操作点；我们在延迟尖峰检测上精确证实了这一点，其中在线校准将 AUPRC 最多提升 51%。第四，组条件在线重校准分为两种机制。在线部分可复现：它在 0.05 至 0.35 范围内将预算跟踪在 1% 以内，而静态校准偏差为 16% 至 21%。组条件部分则不然：在四个数据集中的三个上，以任何可用协变量为条件（包括实测的服务卫星几何）都不如不设条件，而我们预测哪些数据集会受益的尝试失败了。此处的新颖之处是实证性的，而非算法性的：我们主张的是这些发现，而非方法。
| 评论： | 代码：此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；网络与互联网架构（cs.NI） |
| 引用为： | arXiv:2611.06307 [cs.LG] |
| （或 arXiv:2611.06307v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06307 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mayan Sharma [查看电子邮件]
[v1]
2026 年 11 月 4 日星期三 10:42:15 UTC（79 KB）
来源：arXiv cs.AI · arxiv.org