数字孪生辅助的可解释AI用于mmWave MIMO系统的鲁棒波束预测
机器学习
2025-07-22 v1 人工智能
摘要
在AI原生6G愿景下，可解释性和鲁棒性对于建立信任和确保毫米波（mmWave）系统可靠性能至关重要。高效波束对准是初始接入的关键，但深度学习（DL）解决方案面临诸多挑战，包括高数据采集开销、硬件限制、缺乏可解释性以及对对抗性攻击的脆弱性。本文提出一种面向毫米波多输入多输出（MIMO）系统的鲁棒且可解释的DL波束对准引擎（BAE）。BAE利用来自宽波束的接收信号强度指示器（RSSI）测量结果预测最佳窄波束，从而减少穷举波束扫描的开销。为克服现实数据采集的挑战，本文利用特定于场地的数字孪生体（digital twin, DT）生成贴近真实环境的合成信道数据。提出一种通过迁移学习进行模型细化的方法，用最少的真实数据微调DT中预训练的模型，有效弥合数字复制体与真实环境之间的差异。为减少波束训练开销并增强透明度，该框架使用深度Shapley增益解释（SHAP）对输入特征进行重要性排序，优先选择关键空间方向并最小化波束扫描。还采用Deep k近邻（DkNN）算法，提供用于检测分布外输入的可信度度量，确保鲁棒、透明的决策。实验结果表明，所提框架可减少70%的真实数据需求、降低62%的波束训练开销，并将异常值检测鲁棒性提升最高可达8.5倍，实现接近最优的频谱效率和透明的决策，与传统基于softmax的DL模型相比。
关键词
引用
@article{arxiv.2507.14180,
title = {Digital Twin-Assisted Explainable AI for Robust Beam Prediction in mmWave MIMO Systems},
author = {Nasir Khan and Asmaa Abdallah and Abdulkadir Celik and Ahmed M. Eltawil and Sinem Coleri},
journal= {arXiv preprint arXiv:2507.14180},
year = {2025}
}