室内无线电图估计（RME）对覆盖规划、定位和网络部署等无线应用至关重要。传统方法大多采用监督学习，需要大量标注数据并针对特定任务训练模型，同时室内环境涉及建筑平面图等隐私敏感信息，难以集中处理。为此，本文首次将室内RME表述为协同上下文学习（ICL）问题，提出Poly‑Ripple框架。多个客户端在不更新模型的前提下，使用大规模自回归视觉模型（LAVM）进行ICL；每个客户端通过私有示例进行提示，针对同一场景查询预测无线电图。为捕获从发射机（Tx）向外的传播因果结构，采用 ripple‑ordered 自回归建模。进一步引入重要性感知聚合，在上下文长度受限的情况下，利用分布在各客户端的异构上下文知识。我们给出理论分析，并在公开的室内RME基准上进行大量实验。实验表明，Poly‑Ripple在所有代表性ICL基线中始终保持优势，且与理论分析一致。
点评