Краткое содержание

arXiv:2507.17494v2 Тип объявления: замена-перекрёстная публикация Аннотация: В сетях связи следующего поколения от моделей машинного обучения ожидается не только высокая точность прогнозирования, но и корректность оценок уверенности, отражающих истинную вероятность правильных решений. Данная работа исследует калибровочную производительность модели машинного обучения, предназначенной для предсказания отказов в рамках одноабонентской системы распределения множества ресурсов. Сначала мы устанавливаем ключевые теоретические свойства вероятности отказа данной системы при идеальной калибровке. Важно отметить, что при увеличении числа ресурсов вероятность отказа идеально откалиброванной модели приближается к ожидаемому выходу, обусловленному её значением ниже порога классификации. Напротив, когда доступен лишь один ресурс, вероятность отказа системы равна общему ожидаемому выходному сигналу модели. Затем выводятся условия вероятности отказа для идеально откалиброванного предиктора. Эти результаты помогают выбрать порог классификации таким образом, чтобы достичь желаемого...