论文用 LLM 规划诊断动作评估 RFF 预测可靠性。
资讯摘要
论文提出 TrustAgent-RFF，一个面向射频指纹（RFF）的预测级可靠性框架，在冻结的 I/Q 分类器上运行且无需目标域标签。框架为每个设备预测采集反事实稳定性、原型一致性、采集域相似度和信号质量等证据，由源域校准的信任估计器结合分类器置信度、预测间隔与证据可用性指标进行判断，并用基于 LLM 的规划器按证据、信任状态、动作成本和剩余预算自适应选择下一步诊断动作，最终由确定性决策层输出接受、拒绝或推迟。作者报告在五个 RFF 数据集和多种分类器骨干上，源域到目标域平均准确率下降 38.7%，且许多错误预测仍保持高置信度。
要点速读
- 框架在冻结 I/Q 分类器上工作，不需要目标域标签，输出接受、拒绝或推迟三类决策。
- 信任估计器融合反事实稳定性、原型一致性、采集域相似度、信号质量与分类器置信度等诊断信号。
- 作者报告五个 RFF 数据集上源域到目标域平均准确率下降 38.7%，不少错误预测仍具高置信度。
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 2026/10/23 08:00:11（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。