面向 AI-native 6G 网络的可解释且鲁棒的毫米波波束对准
信号处理
2025-01-31 v1 人工智能
摘要
人工智能（AI）和通信的深度融合被认定为 6G 及更高网络的关键支柱。紧随 AI-native 6G 愿景，AI 驱动系统在可解释性和鲁棒性方面的表现对于建立信任并确保在多样化和不断演变的环境中可靠性能至关重要。本文通过开发面向毫米波（mmWave）多输入多输出（MIMO）系统的鲁棒且可解释的深度学习（DL）驱动波束对准引擎（BAE），来挑战这些挑战。该方法采用卷积神经网络（CNN）驱动的 BAE 利用宽波束接收信号强度指标（RSSI）测量，准确预测每个用户的最佳窄波束，显著降低了基于详尽码书的窄波束扫描在初始接入（IA）和数据传输方面的开销。为确保透明度和鲁棒性，采用深度 k-最近邻（DkNN）算法评估网络内部表示，通过最近邻方法提供可人类解读的解释和置信度指标，用于检测分布外输入。实验结果表明，所提出的 DL 驱动的 BAE 对测量噪声具有鲁棒性，相较于详尽搜索在谱率方面性能接近最优，同时将波束训练开销降低 75%。此外，所提出框架在异常值检测鲁棒性上提高了最高可达 5 倍，并比传统 softmax 分类器提供更清晰的波束预测决策洞察。
引用
@article{arxiv.2501.17883,
title = {Explainable and Robust Millimeter Wave Beam Alignment for AI-Native 6G Networks},
author = {Nasir Khan and Asmaa Abdallah and Abdulkadir Celik and Ahmed M. Eltawil and Sinem Coleri},
journal= {arXiv preprint arXiv:2501.17883},
year = {2025}
}