マルチポート散乱体用荷重予測のための「クラスタリングから予測へ」枠組みの調整

arXiv:2602.08129v1 Announce Type: cross 要約：マルチポート散乱体における相互依存する荷重値の予測は、高次元性およびインピーダンスと散乱能力間の複雑な依存関係により困難ですが、これは通信および測定システムの設計において極めて重要です。本稿では、マルチポート散乱体の複数の荷重値予測タスクのために、2 段階の「クラスタリングから予測へ」枠組みを提案します。提案したアプローチは、S パラメータと対応する荷重インピーダンスの間の潜在的な関係機能を効果的に捉えられ、グラディエントブースティング (GB) に適用された際にベースラインと比較して平均二乗誤差 (RMSE) を最大 46% 削減しました。この改善は、さまざまなクラスタリングおよび回帰手法にわたって一貫しています。さらに、我々は、複数の指標で衝突する目的と異なるスケールを持つトレードオフを定量化して分析するための指標である「実用統一指数 (RUI)」を導入しました。RUI に基づくと、分析対象のマルチポート散乱体における最適構成は k-means クラスタリングと k 最近隣 (KNN) の組み合わせであると特定されました。

arXiv:2602.08129v1 Announce Type: cross Abstract: Predicting interdependent load values in multiport scatterers is challenging due to high dimensionality and complex dependence between impedance and scattering ability, yet this prediction remains crucial for the design of communication and measurement systems. In this paper, we propose a two-stage cluster-then-predict framework for multiple load values prediction task in multiport scatterers. The proposed cluster-then-predict approach effectively captures the underlying functional relation between S-parameters and corresponding load impedances, achieving up to a 46% reduction in Root Mean Square Error (RMSE) compared to the baseline when applied to gradient boosting (GB). This improvement is consistent across various clustering and regression methods. Furthermore, we introduce the Real-world Unified Index (RUI), a metric for quantitative analysis of trade-offs among multiple metrics with conflicting objectives and different scales, suitable for performance assessment in realistic scenarios. Based on RUI, the combination of K-means clustering and k-nearest neighbors (KNN) is identified as the optimal setup for the analyzed multiport scatterer.