论文提出 Poly-Ripple，用协作式上下文学习做室内无线电地图估计。
资讯摘要
论文将室内无线电地图估计（RME）首次建模为协作式上下文学习（ICL）问题，提出 Poly-Ripple 框架：多个客户端用大型自回归视觉模型（LAVM）在不更新模型参数的情况下，依据各自私有示例进行预测；采用按波纹顺序的自回归建模刻画从发射端向外传播的因果结构，并引入重要性感知聚合，在上下文长度限制下利用各客户端异构的上下文知识。作者在公开室内 RME 基准上报告，Poly-Ripple 持续优于代表性 ICL 基线，并与理论分析一致。
要点速读
- 论文首次将室内 RME 表述为协作式 ICL 问题，客户端无需模型更新，仅靠私有示例提示 LAVM 预测同一场景的无线电地图。
- 提出按波纹顺序的自回归建模，以刻画无线传播从发射端向外的因果结构。
- 引入重要性感知聚合，在上下文长度约束下利用各客户端异构的上下文知识；作者报告其在公开基准上优于代表性 ICL 基线。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。