智能天线调谐状态识别系统（IAT）

问题：小模型、强约束下的天线状态分类

手机天线调谐状态预测是典型的端侧分类任务：输入是两组复反射系数等 6 维射频观测，输出是 15 类调谐状态。赛题给了两个硬约束——模型体积 < 50KB、CPU 端推理必须足够快，直接排除所有大模型方案。

特征工程：6 维到 11 维

原始 6 维射频观测的可分性不足。基于复反射系数的物理特性设计幅度差分特征（6 → 11 维），并经特征消融验证：相位特征在任务上无收益，剔除。

1. 1

   原始观测（6 维）

   两组复反射系数等射频观测

2. 2

   幅度差分特征（+5 维）

   基于反射系数幅度差异设计

3. 3

   特征消融

   逐特征验证对准确率的贡献

4. 4

   剔除相位特征

   相位特征无收益，剔除

5. 5

   11 维输入

   MLP 准确率 91.7% → 96.8%

特征消融的结论很重要：不是”加特征总没错”，每一维都要用数据证明自己的贡献——这一步把 MLP 准确率从 91.7% 提到 96.8%。

模型优化：TinyMLP 与多种子验证

在 11 维特征上构建 TinyMLP 分类模型，组合四项策略应对 15 类严重不均衡：

• 类别平衡权重：按类别频率反向加权，缓解多数类主导；
• 易混淆类别对局部 margin loss：对混淆矩阵上最易混淆的类别对单独施加 margin 约束；
• 硬样本重采样：让模型在训练后期反复见到难分样本；
• 多 checkpoint 权重平均：训练过程中多个 checkpoint 加权平均，降低单点方差。

所有结论经多种子验证：单一随机种子的提升可能是运气，多种子下的稳定提升才写进报告。最终模型准确率 97.75%、Macro F1 0.954——Macro F1 与准确率接近，说明小类别没有被牺牲。

轻量化部署：7.75KB 与 0.135ms

导出 ONNX FP32 模型仅 7.75KB（满足赛题 < 50KB 约束），ONNX Runtime 单线程 CPU 端到端推理 0.135ms/样本，且精度逐位一致——部署没有引入精度损失。

同样重要的是否决无效方案的过程：基于混淆对特征分布诊断，以消融数据先后否决 Focal Loss、EMA、INT8 量化等”听起来该上”的方案——FP32 模型本来就只有 7.75KB，INT8 量化收益小而引入精度风险，不做。

经验与反思

• 端侧任务的第一性原理是约束，不是指标。 体积 < 50KB、CPU 推理够快，这两条约束决定了所有技术选型——先满足约束，再谈提升。
• 特征贡献要用消融证明。 相位特征”看起来该有用”，但数据说没有收益，就删掉。每加一维都要付推理成本。
• 否决方案和采纳方案同样有价值。 用混淆对分布诊断否决 Focal Loss / INT8，避免了无效优化进入工程链路，也让最终的 7.75KB / 0.135ms 结论可信。