摘要
低地球轨道（LEO）卫星互联网已成为实现普遍连通性的重要基础设施，符合国际电信联盟对6G电信网络的愿景。然而，当前的LEO卫星互联网观测常常面临数据缺失问题，这使得数据增强任务变得复杂，并限制了代表性数据集的扩展。考虑到这些数据集的复杂特性，生成性人工智能（GenAI）呈现出一种有前景的方法，但在该领域的应用迄今为止受到的关注较少。
在本文中，我们提出了一种基于GenAI的框架，旨在直接从不完整的LEO网络观测中合成高保真数据。我们提出了代表性的数据缺失场景，并使用最新的基于GAN和VAE的GenAI模型在最近的WetLinks数据集上进行性能评估。我们设计了块级和点级缺失场景，以紧密模拟在真实LEO卫星网络中发生的数据丢失。
我们的结果表明，所提议的基于GAN的框架有效，GT-GAN模型在所有模型中表现最佳，无论是在缺失场景中。在极端条件下（例如，40%的输入数据缺失），GT-GAN展现出最高的鲁棒性，持续捕捉潜在的输入数据分布，并在泛化方面受到的影响最小。我们的结果为基于GenAI的数据增强方法和卫星网络测量的数据驱动研究指明了未来方向。
博主点评： 本文提出的GAN框架在数据缺失的情况下表现出色，尤其是在极端丢失情况下的鲁棒性值得关注。未来，随着卫星互联网的普及，如何高效利用生成模型进行数据增强将是一个重要研究方向。该研究为相关领域提供了新的思路与方法论支持。