基于XRL的AI透明度提升：面向6G ORAN架构的资源管理与频段切片
信号处理
2025-01-20 v1
摘要
本研究引入了一种先进的可解释人工智能（XAI）框架，用于阐明ORAN架构中深度强化学习（DRL）代理的决策过程。该方案通过提供面向网络的解释，解决了传统方法（包括模型中立和模型特定方法）在RAN切片动态复杂环境中处理XAI挑战的局限性。本文通过融合意图导向的动作引导，实现了在各种操作时间尺度上的精准嵌入和配置，特别是在与xAPP及rAPP集成时显现，这两者分别位于近实时和非实时RIC中，显著提升了系统的适应性与性能。我们的发现表明，该框架在改善基于关键性能指标（KPI）的奖励方面发挥了显著作用，得益于DRL代理能够就多控制参数做出明确的多模态决策。因此，我们的工作标志着可解释人工智能在优化ORAN资源管理策略方面的实际应用与有效性迈出了重要一步。
引用
@article{arxiv.2501.10292,
title = {Enhancing AI Transparency: XRL-Based Resource Management and RAN Slicing for 6G ORAN Architecture},
author = {Suvidha Mhatre and Ferran Adelantado and Kostas Ramantas and Christos Verikoukis},
journal= {arXiv preprint arXiv:2501.10292},
year = {2025}
}