网络中的动态特征适应：迈向灵活训练与可解释推理
机器学习
2025-10-10 v1 网络与互联网体系结构
摘要
随着 AI 成为 6G 网络控制的原生组件，AI 模型必须适应持续变化的条件，包括由多厂商部署、硬件升级和演进的服务需求驱动的新特征和测量的引入。为应对非平稳环境中日益增长的对灵活学习的需求，本文强调了自适应随机森林（ARFs）作为通信网络场景中动态特征适应的可靠解决方案。我们表明 ARFs 的迭代训练可以有效实现稳定预测，随着更多特征的加入准确率随时间提高。此外，我们强调了 AI 驱动网络中可解释性的重要性，提出了漂移感知特征重要性（DAFI）作为一种高效的可解释 AI 特征重要性方法。DAFI 使用分布漂移检测器来指示何时应用计算密集型的特征重要性方法而非轻量级替代方案。我们在 3 个不同数据集上的测试表明，该方法将运行时间减少了最多 2 倍，同时产生了更一致的特征重要性值。ARFs 和 DAFI 共同为构建适应 6G 网络用例的灵活 AI 方法提供了有前景的框架。
引用
@article{arxiv.2510.08303,
title = {Dynamic Features Adaptation in Networking: Toward Flexible training and Explainable inference},
author = {Yannis Belkhiter and Seshu Tirupathi and Giulio Zizzo and Merim Dzaferagic and John D. Kelleher},
journal= {arXiv preprint arXiv:2510.08303},
year = {2025}
}
备注
Accepted at AI4NextG Workshop, NeurIPS 2025