Kerangka Berbasis GAN untuk Sintesis Data yang Tangguh pada Observasi Internet Satelit

GT-GAN mengungguli baseline VAE dan GAN dalam merekonstruksi pengukuran jaringan satelit LEO yang tidak lengkap, bahkan dengan 40% data yang hilang.

Xiang Shi; Peng Hu· 2026· DOI 10.48550/arXiv.2607.24790

Masalah inti

Internet satelit orbit rendah Bumi (LEO) mulai muncul sebagai infrastruktur kritis untuk konektivitas di mana saja, sejalan dengan visi International Telecommunications Union (ITU) untuk jaringan telekomunikasi 6G. Namun, observasi Internet satelit LEO di dunia nyata sering mengalami data yang hilang, yang menyulitkan augmentasi data dan membatasi perluasan dataset yang representatif. Meskipun AI generatif (GenAI) menawarkan solusi yang menjanjikan, penerapannya di bidang ini masih kurang mendapat perhatian. Makalah ini mengisi celah tersebut dengan mengusulkan kerangka berbasis GenAI untuk menyintesis data berfidelitas tinggi langsung dari observasi jaringan LEO yang tidak lengkap. Penulis mendefinisikan skenario kehilangan data yang representatif dan mengevaluasi kinerja model GenAI berbasis GAN dan VAE terkini pada dataset WetLinks yang baru. Mereka merancang skenario kehilangan block-wise dan point-wise untuk mensimulasikan kehilangan data di jaringan satelit LEO dunia nyata secara dekat. Tujuannya adalah menilai apakah model generatif dapat merekonstruksi observasi yang hilang secara tangguh dan mendukung penelitian berbasis data pada pengukuran jaringan satelit.

Hasil eksperimen menunjukkan efektivitas kerangka berbasis GAN yang diusulkan. Di antara semua model yang dievaluasi, GT-GAN menunjukkan kinerja terbaik pada skenario kehilangan block-wise maupun point-wise. Bahkan pada kondisi ekstrem ketika 40% data input hilang, GT-GAN menunjukkan ketangguhan tertinggi, secara konsisten menangkap distribusi data input yang mendasari dan paling sedikit terpengaruh dalam hal generalisasi. Perbandingan kuantitatif menunjukkan bahwa GT-GAN mengungguli model berbasis VAE dan varian GAN lainnya pada berbagai metrik, termasuk galat rekonstruksi dan kemiripan distribusi. Penulis melaporkan bahwa kesenjangan kinerja melebar seiring meningkatnya tingkat kehilangan, menyoroti kemampuan unggul GT-GAN dalam menangani kehilangan data yang parah. Temuan ini konsisten pada berbagai pola kehilangan, menunjukkan bahwa arsitektur berbasis transformer pada GT-GAN sangat cocok untuk karakteristik kompleks data jaringan satelit LEO.

Internet satelit orbit rendah Bumi (LEO) mulai muncul sebagai infrastruktur kritis untuk konektivitas di mana saja, sejalan dengan visi International Telecommunications Union (ITU) untuk jaringan telekomunikasi 6G. Namun, observasi Internet satelit LEO di dunia nyata sering mengalami data yang hilang, yang menyulitkan augmentasi data dan membatasi perluasan dataset yang representatif. Meskipun AI generatif (GenAI) menawarkan solusi yang menjanjikan, penerapannya di bidang ini masih kurang mendapat perhatian. Makalah ini mengisi celah tersebut dengan mengusulkan kerangka berbasis GenAI untuk menyintesis data berfidelitas tinggi langsung dari observasi jaringan LEO yang tidak lengkap. Penulis mendefinisikan skenario kehilangan data yang representatif dan mengevaluasi kinerja model GenAI berbasis GAN dan VAE terkini pada dataset WetLinks yang baru. Mereka merancang skenario kehilangan block-wise dan point-wise untuk mensimulasikan kehilangan data di jaringan satelit LEO dunia nyata secara dekat. Tujuannya adalah menilai apakah model generatif dapat merekonstruksi observasi yang hilang secara tangguh dan mendukung penelitian berbasis data pada pengukuran jaringan satelit.

Kerangka yang diusulkan memanfaatkan generative adversarial network (GAN) dan variational autoencoder (VAE) untuk mengimputasi data yang hilang pada observasi Internet satelit LEO. Penulis memperkenalkan dua skenario data hilang:

Hasil ini memberi penerangan tentang arah masa depan untuk metode augmentasi data berbasis GenAI dan penelitian berbasis data pada pengukuran jaringan satelit. Penulis berargumen bahwa kemampuan menyintesis data berfidelitas tinggi dari observasi yang tidak lengkap dapat secara signifikan meningkatkan keterwakilan dataset yang digunakan untuk penelitian Internet satelit LEO. Hal ini sangat penting untuk tugas seperti perencanaan jaringan, deteksi anomali, dan optimasi kinerja, di mana kelengkapan data sangat krusial. Studi ini juga menyoroti keterbatasan model berbasis VAE dalam menangkap dependensi temporal dan spasial yang rumit pada data jaringan satelit, sedangkan pendekatan berbasis GAN, terutama yang memiliki komponen transformer, menunjukkan kemampuan generatif yang lebih unggul. Penulis menyarankan bahwa penelitian lebih lanjut dapat mengeksplorasi integrasi pengetahuan spesifik domain ke dalam proses generatif dan perluasan kerangka ke jenis telemetri jaringan lainnya. Secara keseluruhan, makalah ini memberikan fondasi yang kuat untuk memanfaatkan GenAI dalam mengatasi kehilangan data pada observasi Internet satelit, dengan GT-GAN muncul sebagai solusi yang tangguh.

Praktisi dan peneliti ilmu komputer

Membuka konten member…