面向DRL-based V2X资源分配的解释性AI辅助特征选择与模型简化
信号处理
2025-01-24 v1 人工智能
机器学习
多智能体系统
摘要
人工智能(AI)预计将显著提升第六代(6G)网络中的无线资源管理(WRM)。然而，复杂深度学习(DL)模型缺乏可解释性， poses a practical implementation challenge. 本文提出一种新颖的解释性AI(XAI)驱动的框架，用于模型无关的方式的特征选择和模型复杂度降低。应用于多智能体深度强化学习(MADRL)设置，我们的方法解决了细胞车联网(V2X)通信中联合子带分配和功率分配问题。我们提出了一种新颖的两阶段系统可解释性框架，利用基于特征相关性的XAI简化DRL智能体。前期阶段通过基于SHAP的重要性得分生成训练模型的状态特征重要性排序，后期阶段则利用这些重要性排序为简化智能体的状态空间，通过删除模型输入中最不重要的特征来实现。仿真结果表明，XAI辅助的方法在八对车辆的网络中，实现了97%的原始MADRL求和速率性能，同时将最优状态特征减少28%，平均训练时间缩短11%，可训练权重参数减少46%。
引用
@article{arxiv.2501.13552,
title = {Explainable AI-aided Feature Selection and Model Reduction for DRL-based V2X Resource Allocation},
author = {Nasir Khan and Asmaa Abdallah and Abdulkadir Celik and Ahmed M. Eltawil and Sinem Coleri},
journal= {arXiv preprint arXiv:2501.13552},
year = {2025}
}