基于 Kolmogorov-Arnold 网络的可解释强化学习负载均衡
机器学习
2025-05-21 v1 网络与互联网体系结构
摘要
强化学习 (RL) 越来越多地被应用于网络控制问题，例如负载均衡。然而，现有的 RL 方法通常缺乏可解释性，并且难以提取控制器方程。在本文中，我们提出使用 Kolmogorov-Arnold Networks (KAN) 来实现网络控制中可解释的 RL。我们采用了一个具有单层 actor KAN 模型和 MLP Critic 网络的 PPO 智能体，以学习最大化吞吐效用、最小化损失和延迟的负载均衡策略。我们的方法允许从学习到的神经网络中提取控制器方程，从而为决策过程提供洞察。我们使用不同的奖励函数评估了该方法，证明了其在提高网络性能的同时提供可解释策略的有效性。
引用
@article{arxiv.2505.14459,
title = {Interpretable Reinforcement Learning for Load Balancing using Kolmogorov-Arnold Networks},
author = {Kamal Singh and Sami Marouani and Ahmad Al Sheikh and Pham Tran Anh Quang and Amaury Habrard},
journal= {arXiv preprint arXiv:2505.14459},
year = {2025}
}