室内无线电地图估计的协作式上下文学习

arXiv:2610.31702v1 公告类型：新 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，现有大多数方法遵循监督学习范式，需要成本高昂的标注数据和面向特定任务的模型训练。此外，室内环境包含建筑布局和结构等隐私敏感信息，通常无法进行集中化处理。为应对这些挑战，我们首次尝试将室内 RME 表述为协作式上下文学习（ICL）问题。我们提出 Poly-Ripple，这是一种框架，其中多个客户端使用大型自回归视觉模型（LAVMs）执行 ICL，而无需更新模型。每个客户端利用其私有示例进行提示，并针对同一场景查询预测无线电地图。为捕捉无线传播从发射机（Tx）向外扩散的因果结构，我们采用涟漪顺序自回归建模。我们进一步引入重要性感知聚合，以便在上下文长度约束下利用分布于各客户端的异质上下文知识。我们给出理论分析，并在公开的室内 RME 基准上开展了广泛实验。实验结果表明，Poly-Ripple 始终优于具有代表性的 ICL 基线方法，同时与我们的理论分析相一致。