arXiv cs.AI· Yuanzhe Peng, Jie Xu·· 11 小时前AI 评分18
Poly-Ripple：面向室内无线电地图估计的协作上下文学习框架
Collaborative In-Context Learning for Indoor Radio Map Estimation
AI 导读
Poly-Ripple 将室内无线电地图估计（RME）首次建模为协作上下文学习（ICL）问题，多个客户端用大型自回归视觉模型（LAVM）在不更新模型参数的情况下各自推理。该框架采用沿发射端向外传播的 ripple 顺序自回归建模，并引入重要性感知聚合，在上下文长度约束下整合各客户端的异构上下文知识。在公开室内 RME 基准上，Poly-Ripple 持续优于代表性 ICL 基线，与理论分析一致。
正文 · AI 翻译
摘要：室内无线电地图估计（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，现有方法大多遵循监督学习范式，需要昂贵的标注数据和针对特定任务的模型训练。此外，室内环境涉及隐私敏感信息，如建筑布局和结构，这些信息通常无法集中处理。为应对这些挑战，我们首次尝试将室内 RME 建模为协作式上下文学习（ICL）问题。我们提出 Poly-Ripple，这是一个框架，其中多个客户端使用大型自回归视觉模型（LAVM）执行 ICL，且无需更新模型。每个客户端以其私有演示为提示，为同一场景查询预测无线电地图。为捕捉从发射机（Tx）向外传播的无线传播因果结构，我们采用波纹有序自回归建模。我们进一步引入重要性感知聚合，以在上下文长度约束下利用分布在客户端之间的异构上下文知识。我们提供了理论分析，并在公开的室内 RME 基准上进行了大量实验。实验结果表明，Poly-Ripple 始终优于代表性的 ICL 基线，同时与我们的理论分析一致。
| 评论： | 被接收为 2026 年 IEEE 国际大数据会议（IEEE BigData 2026）的常规论文 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.31702 [cs.LG] |
| （或 arXiv:2610.31702v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31702 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuanzhe Peng [查看电子邮件]
[v1]
2026 年 10 月 21 日星期三 18:29:15 UTC（737 KB）
来源：arXiv cs.AI · arxiv.org