信任还是不信任：基于机器学习的无线网络资源分配中的校准问题

《IEEE Transactions on Network Science and Engineering》：To Trust or Not to Trust: On Calibration in ML-Based Resource Allocation for Wireless Networks

停机预测中机器学习模型的校准性能研究，揭示多资源场景下停机概率的理论边界，探讨后处理校准的局限性及校准模型与系统可靠性的关系，通过瑞利衰落信道仿真验证结论。

　　

摘要：

在下一代通信和网络中，机器学习（ML）模型不仅需要提供高度准确的预测结果，还需要提供经过良好校准的置信度分数，以反映正确决策的真实可能性。在本文中，我们研究了基于机器学习的故障预测器在单用户多资源分配框架中的校准性能。首先，我们确定了该系统在完美校准条件下的故障概率（OP）的关键理论特性。重要的是，我们发现随着资源数量的增加，完美校准的预测器的故障概率趋近于在该预测器预测结果低于分类阈值时的预期输出。相反，当只有一种资源可用时，系统的故障概率等于模型的整体预期输出。随后，我们推导出了完美校准预测器的故障概率条件。这些发现有助于选择合适的分类阈值，以实现所需的故障概率，从而帮助系统设计者满足特定的可靠性要求。我们进一步证明了后处理校准无法提高系统的最小可实现故障概率，因为它不会引入关于未来信道状态的额外信息。此外，我们还表明，经过良好校准的模型属于一类能够提高故障概率的预测器。特别是，我们建立了一个单调性条件，即准确性-置信度函数必须满足这一条件才能实现改进。为了验证这些理论特性，我们使用了后处理校准技术（如Platt缩放和等值回归）进行了严格的基于仿真的分析。作为该框架的一部分，预测器是使用专门为该系统设计的故障损失函数进行训练的。此外，分析是在具有时间相关性的瑞利衰落信道上进行的，时间相关性通过Clarke的2D模型来描述，该模型考虑了接收机的移动性。需要注意的是，这里研究的故障概率是指...

显示更多