arXiv cs.LG·26 天前★ 2

LiLib：无人机空对地路径损耗终身预测

原文标题：LiLib: Lifelong Air-to-Ground Path-Loss Prediction on UAVs via a Drift-Triggered Model Library

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文提出 LiLib，一种轻量级持续学习方案，让无人机维护一个小型递归最小二乘专家库。通过窗口残差检验检测漂移，短探测阶段复用最佳专家或创建新专家。在四种城市化剖面仿真中，LiLib 将预测 RMSE 从 5.89 dB 降至 4.03 dB，专家库占用不足 0.5 KB，并表明对反复出现的漂移，记忆比重新适应更有效。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 无人机在郊区、城区、高层间移动时信道条件反复变化，在线回归器需反复重学。
方法: 维护小型递归最小二乘专家库，用窗口残差检验检测漂移，短探测阶段复用最佳专家或新建专家。
结果: 预测RMSE从5.89 dB降至4.03 dB，回到已知环境后误差从12.3 dB降至5.7 dB，恢复oracle吞吐的99%，专家库占用不足0.5 KB，无标签识别纯度92%。
影响: 为边缘设备上的持续学习提供极低存储方案，反复漂移场景下记忆比重新适应更划算。