雷达资源管理的可解释 AI：深度强化学习中的改进 LIME
机器学习
2025-06-27 v1
摘要
深度强化学习在决策过程中已被广泛研究，并在包括雷达资源管理（RRM）在内的多个领域展现出优于传统方法的性能。然而，神经网络的一个显著局限在于其“黑盒”特性，近期研究日益聚焦于可解释 AI（XAI）技术，以阐释神经网络决策背后的逻辑。局部可解释模型不可知解释（LIME）是一种极具前景的 XAI 方法。然而，LIME 中的采样过程忽略了特征间的相关性。本文提出一种改进的 LIME 方法，将深度学习（DL）集成到采样过程中，称之为 DL-LIME。我们将 DL-LIME 应用于雷达资源管理的深度强化学习中。数值结果表明，DL-LIME 在保真度和任务性能上均优于传统 LIME，在这两项指标上均展现出更优的性能。DL-LIME 还揭示了在雷达资源管理决策中哪些因素更为重要。
引用
@article{arxiv.2506.20916,
title = {Explainable AI for Radar Resource Management: Modified LIME in Deep Reinforcement Learning},
author = {Ziyang Lu and M. Cenk Gursoy and Chilukuri K. Mohan and Pramod K. Varshney},
journal= {arXiv preprint arXiv:2506.20916},
year = {2025}
}