用多解码器注意力模型，高效预测多跨段光网络功率谱。

Multi-Span Optical Power Spectrum Evolution Modeling using ML-based Multi-Decoder Attention Framework

• 采用组件专属解码器的注意力框架，提升建模灵活性。
• 仅需少量数据即可适配多跨段拓扑，降低训练成本。
• 适合老旧光网络（brown-field）快速部署与优化。

我们实现了一种基于机器学习的注意力框架，采用针对不同组件的专属解码器，提升了多跨段光网络中光功率谱的预测性能。该框架减少了对每个组件进行深度训练的需求，可在仅需少量数据采集的情况下扩展至多跨段拓扑结构，因此特别适用于已部署的老旧网络场景（brown-field）。

原文摘要 · Abstract (English)

We implement a ML-based attention framework with component-specific decoders, improving optical power spectrum prediction in multi-span networks. By reducing the need for in-depth training on each component, the framework can be scaled to multi-span topologies with minimal data collection, making it suitable for brown-field scenarios.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。