PathFinder revolutioniert die Signalverlustvorhersage in 5G-Netzwerken

Die Vorhersage von Funkwegverlusten (RPP) ist entscheidend für die Optimierung von 5G-Netzwerken und die Realisierung von IoT‑ und Smart‑City‑Anwendungen. Aktuelle Deep‑Learning‑Ansätze vernachlässigen jedoch wichtige Aspekte: Sie modellieren die Umgebung passiv, konzentrieren sich zu stark auf Ein‑Transmitter‑Szenarien und zeigen bei Verteilungssprüngen – etwa bei unterschiedlicher Gebäudedichte oder Transmitter‑Konfiguration – schlechte Generalisierung.

Um diese Schwächen zu beheben, präsentiert die neue Arbeit PathFinder, eine Architektur, die Gebäude und Transmitter aktiv mit einem entangled Feature Encoding abbildet. Durch Mask‑Guided Low‑rank Attention kann das Modell gleichzeitig auf Empfänger‑ und Gebäuderegionen fokussieren, während die Transmitter‑Orientierte Mixup‑Strategie das Training robuster macht. Zusätzlich wird ein neues Benchmark‑Set, S2MT‑RPP, eingeführt, das die Fähigkeit zur Extrapolation von Ein‑Transmitter‑Training auf Multi‑Transmitter‑Tests bewertet.

Experimentelle Ergebnisse zeigen, dass PathFinder die führenden Methoden deutlich übertrifft, insbesondere in anspruchsvollen Multi‑Transmitter‑Szenarien. Der zugehörige Code und weitere Informationen stehen auf der Projektseite zur Verfügung: https://emorzz1g.github.io/PathFinder/.