一、文章基本信息文章链接：https://arxiv.org/abs/2512.14150代码链接：EmorZz1G/PathFinder基础信息：无线电路径损耗预测（the Radio Path loss Prediction (RPP) task）任务的核心目标是：基于特定建筑环境内的基站位置及相关数据，预测各区域的信号损耗分布情况。该预测任务的难点通常源于：不同场景下建筑物的高度与密度差异；此外，衍射、折射、反射等复杂物理现象会影响无线电信号传播，这进一步增加了预测难度。“射线追踪法”被广泛应用于移动通信环境中的无线电路径损耗预测，尽管该方法预测精度较高，但其复杂的建模与计算流程使其难以适配实时应用场景，因此，该方法更适用于基站选址这类无需即时输出结果的任务；而基于深度学习的预测模型采用端到端的学习模式，挖掘建筑结构与电磁传播间的隐含关联，使得该类模型在各种场景下具备更快的运算速度及更强的适配能力。方法动机：问题 1：现有模型对环境的主动建模能力不足。已有研究均将发射器视为地图中固有且静态的特征，这种被动建模策略导致模型忽视了主动融入发射器的重要性，进而无法充分学习发射器与接收域间的传播关系。此外，现有研究未考虑模型对建筑区域和接收域的独立注意力引导，忽略了二者在环境中的核心作用。问题 2：单发射器场景建模与真实多发射器环境适配间存在显著鸿沟。已有研究大多聚焦单发射器场景（见下图(b)），却忽视了实际场景内多发射器的普遍存在。尽管如此，现有模型无法从单发射器训练数据推广至多发射器测试场景 —— 例如，基于 1 个发射器数据训练的模型，在 2~4 个发射器场景中测试时，精度会出现明显下降（见下图(c)）。这种推广能力的局限直接制约了现有无线路径损耗预测模型的实际效用，使其成为亟待解决的关键问题。针对现有研究存在的上述两大核心问题，本文从三方面做出贡献：① 针对问题 1，为弥补现有模型环境主动建模能力的不足，本文提出PathFinder方法。该方法通过解耦特征，主动建模建筑与发射器，强化模型对这两类关键要素的关注度；同时引入掩码引导低秩注意力机制，助力模型对接收区域和建筑区域实现独立注意力聚焦。② 针对问题 2，本文提出面向发射器的混合增