面向无线接入网络中神经网络的可解释故障预测框架
网络与互联网体系结构
2026-02-17 v1 人工智能
机器学习
摘要
随着 5G 网络的不断演进，以低延迟和高可靠性通信为目标，确保服务不中断变得越来越关键。虽然毫米波(mmWave)频率能够实现高达吞吐量，但高度易受环境因素影响，常导致无线链路故障(RLF)。已提出基于射频和天气数据的预测模型以解决此问题；然而，许多模型作为黑盒运作，为实际部署提供的透明度有限。本工作通过引入基于特征剪枝的可解释性与模型精炼相结合的框架来弥合这一差距。我们的框架可集成到诸如基于 GNN Transformer 和 LSTM 架构的先进预测器中，用于 RLF 预测，使能够开发出准确且可解释性导向的模型。它提供输入特征贡献和神经网络决策逻辑的洞察，从而导致更轻更可扩展的模型。在应用于 RLF 预测时，我们的框架揭示了在大规模真实数据集上，天气数据对预测贡献最小，这 informing 了采用更精简模型的设计，该模型参数数目减少 50%，相较于最新方法方案在 F1 分数上取得改进。最终，本工作使网络提供商能够评估和完善其基于神经网络的预测模型，以实现更好的可解释性、可扩展性和性能。
引用
@article{arxiv.2602.13231,
title = {An Explainable Failure Prediction Framework for Neural Networks in Radio Access Networks},
author = {Khaleda Papry and Francesco Spinnato and Marco Fiore and Mirco Nanni and Israat Haque},
journal= {arXiv preprint arXiv:2602.13231},
year = {2026}
}