Adjustment of Cluster-Then-Predict Framework for Multiport Scatterer Load Prediction

1. Problématique

La prédiction des valeurs de charge (impédances) dans les diffuseurs multi-ports (tels que les surfaces intelligentes reconfigurables - RIS) est un défi majeur en ingénierie électromagnétique.

• Complexité : La relation entre les paramètres S (champs diffusés) et les impédances de charge est hautement non linéaire et dépendante.
• Dimensionnalité : Dans les scénarios multi-charges, la haute dimensionnalité des données dégrade la précision des modèles d'apprentissage automatique (IA) standards, notamment en raison de la préférence des algorithmes pour les attributs à forte variance, ce qui masque les caractéristiques pertinentes mais plus faibles.
• Besoins réels : Pour les applications temps réel (comme l'adaptation dynamique des RIS), il est crucial de trouver un compromis entre la précision de la prédiction (erreur faible) et le temps de calcul (latence faible).

2. Méthodologie : Approche « Cluster-Then-Predict »

Les auteurs proposent un cadre en deux étapes basé sur une stratégie « diviser pour régner » (divide-and-conquer) :

1. Étape de Clustering (Diviser) :

   • Le jeu de données d'entraînement est divisé en sous-ensembles plus petits et plus corrélés internes à l'aide d'algorithmes de clustering.
   • Deux méthodes de clustering sont comparées : K-means standard et K-means basé sur le Transport Optimal (OT). Le K-means OT offre une décomposition plus précise des distributions de données mais à un coût computationnel plus élevé.
   • La qualité des clusters est évaluée via le score de silhouette.

2. Étape de Prédiction (Conquérir) :

   • Un modèle de régression est entraîné spécifiquement pour chaque cluster.
   • Lors de l'inférence, un nouvel échantillon est assigné au cluster le plus proche (via la distance euclidienne), puis le régresseur correspondant prédit les valeurs de charge.
   • Les algorithmes de régression testés incluent le Gradient Boosting (GB) et les k-plus proches voisins (KNN), ainsi que d'autres modèles linéaires et de support vectoriel (SVR) pour validation.

3. Contributions Clés

• Amélioration de la Précision par Clustering : La démonstration que le pré-clustering réduit significativement la variabilité des sous-ensembles, permettant aux algorithmes d'apprentissage de mieux capturer les relations fonctionnelles sous-jacentes entre les paramètres S et les impédances.
• Introduction de l'Indice Unifié Réel (RUI - Real-world Unified Index) :
  • Les auteurs proposent une nouvelle métrique composite pour évaluer les performances dans des scénarios réels où plusieurs objectifs conflictuels existent (ex: minimiser l'erreur RMSE vs maximiser la vitesse de prédiction vs maximiser la qualité du clustering).
  • Le RUI normalise et pondère ces métriques (RMSE, temps de prédiction, score de silhouette) sur une échelle commune [0, 1], permettant une comparaison objective des configurations.
• Analyse Comparative Systématique : Une évaluation rigoureuse combinant différents algorithmes de clustering (K-means, OT K-means, DBSCAN, Mean Shift) et de régression (GB, KNN, Lasso, SVR).

4. Résultats Expérimentaux

Les expériences ont été menées sur un système de diffusion multi-port avec 3 charges et des données provenant de 4 directions d'incidence (N = 10⁶ échantillons).

• Impact sur le Gradient Boosting (GB) :

  • L'approche « Cluster-Then-Predict » a réduit l'erreur quadratique moyenne (RMSE) de 46 % par rapport à la baseline (GB sans clustering).
  • Le RMSE est passé de 167,82 (baseline) à 90,11 (K-means + GB).
  • Le temps de prédiction a augmenté (de 0,09 s à 3,08 s), mais reste acceptable pour de nombreuses applications.

• Impact sur les K-Plus Proches Voisins (KNN) :

  • Le KNN a montré une amélioration marginale de la précision (voire une légère dégradation) avec le clustering, car le clustering peut perturber la structure locale des voisins.
  • Cependant, le KNN reste très rapide (0,04 s en baseline).

• Optimisation via le RUI :

  • En utilisant le RUI (avec des poids privilégiant légèrement la précision et la qualité des clusters), la combinaison K-means + KNN (k=3 ou 9) a été identifiée comme la configuration optimale globale.
  • Cette configuration atteint un RUI de 0,998, offrant un excellent compromis avec un temps de prédiction très faible (0,4 s) et une précision élevée, surpassant le GB en termes d'efficacité globale pour ce cas d'usage spécifique.

• Généralisation : Le cadre a également amélioré les performances de modèles linéaires (Régression linéaire, Lasso, SVR) lorsqu'ils sont combinés au clustering, bien que leurs performances absolues restent inférieures à celles du GB ou du KNN optimisés.

5. Signification et Conclusion

Cet article démontre que l'application d'une stratégie de clustering préalable est une méthode efficace pour surmonter les limitations de la haute dimensionnalité dans la prédiction de charge des diffuseurs multi-ports.

• Pour la conception de systèmes : La méthode permet d'obtenir des modèles de prédiction plus précis et robustes, essentiels pour le contrôle dynamique des RIS et les techniques de mesure avancées (VNA virtuel).
• Pour l'évaluation des performances : L'introduction du RUI fournit un outil méthodologique crucial pour les ingénieurs, permettant de sélectionner la meilleure architecture de modèle non pas uniquement sur la précision brute, mais sur un compromis réaliste incluant la latence et la qualité des données.
• Perspectives : Les auteurs prévoient d'étendre cette approche aux problèmes de classification et aux systèmes avec un nombre encore plus grand de charges, simulant ainsi le contrôle dynamique complexe des surfaces intelligentes reconfigurables.