arXiv cs.AI· Chuan Liu, Tianya Zhao, Yiting Wang, Junqing Zhang, Xuyu Wang·· 12 小时前AI 评分20
TrustAgent-RFF：域偏移下可靠射频指纹识别的智能体诊断规划框架
TrustAgent-RFF: Agentic Diagnostic Planning for Reliable RF Fingerprinting under Domain Shift
AI 导读
TrustAgent-RFF 是一个面向射频指纹识别（RFF）的预测级可靠性框架，可在无目标域标签、冻结 I/Q 分类器的条件下工作。它通过反事实稳定性、原型一致性、采集域相似度和信号质量等证据，结合源域校准的信任估计器与基于 LLM 的规划器自适应选择诊断动作，输出 Accept、Reject 或 Defer 决策。
正文 · AI 翻译
摘要：射频指纹（RFF）模型在源域条件下可以达到较高准确率，但当接收机、距离、采集日期或环境发生变化时，其表现会变得不可靠。在未见域中，错误的预测可能获得较高的 softmax 置信度，这使得仅靠置信度阈值不足以支撑可信部署。我们提出 TrustAgent-RFF，这是一个面向 RFF 的预测级可靠性框架，可在不使用目标域标签的情况下，配合冻结的同相与正交（I/Q）分类器运行。对于每个设备预测，该框架会采集射频证据：反事实稳定性、原型一致性、采集域相似性和信号质量。一个经源域校准的信任估计器将这些诊断信息与分类器置信度、预测间隔以及证据可用性指标相结合。由源域推导出的下尾惩罚和跨模块交互会在诊断信号表明支持较弱时降低信任度。一个基于大语言模型（LLM）的规划器会根据证据、信任状态、动作成本和剩余预算，自适应地选择下一个诊断动作。一个确定性的源域校准决策层会将预测状态更新为接受、拒绝或推迟。在五个 RFF 数据集和多种分类器骨干上的实验显示，从源域到目标域的平均准确率下降为 38.7%，并且表明许多目标域中的错误预测仍然具有很高的置信度。
| 注释： | 10 页，6 幅图，7 张表。投稿至 INFOCOM |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.24930 [cs.LG] |
| （或 arXiv:2610.24930v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.24930 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Chuan Liu [查看邮箱]
[v1]
2026 年 10 月 18 日星期日 00:56:39 UTC（3,788 KB）
[v2]
2026 年 10 月 20 日星期二 20:14:53 UTC（3,788 KB）
来源：arXiv cs.AI · arxiv.org