跳到正文
热点事件持续更新

新框架生成RAN功耗轨迹,中位MAE降约50%

1 篇报道1 个报道来源10 小时前更新

先了解这件事

AI 综述

Kevin Wardakhan等作者提出一种基于预测的生成框架,用于在训练覆盖度下降时生成RAN功耗轨迹。该框架将功耗分解为全局预测、残差水平与尺度校正及时间残差生成。 作者在商用5G RAN和公开数据集上实验称,该框架可泛化到稀有与未见场景,仅需一次目标观测即可将中位MAE较TimeWeaver降低约50%。消融实验显示,残差水平校正贡献了大部分增益。

AI 根据报道生成 · 57 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv cs.AI
    面向稀有与未见场景的 RAN 能耗条件式 What-If 生成

    研究提出一种基于预测的生成框架,用于在训练覆盖度下降时生成 RAN 功耗轨迹,将功耗分解为全局预测、残差水平与尺度校正及时间残差生成。在商用 5G RAN 和公开数据集上,该框架可泛化到稀有与未见场景,仅需一次目标观测即可将中位 MAE 较 TimeWeaver 降低约 50%。消融实验显示残差水平校正贡献了大部分增益。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。