面向透明化 6G RAN 切片的联合可解释性与敏感性感知联邦深度学习
网络与互联网体系结构
2024-02-21 v1
摘要
近年来，无线网络日趋复杂，催生了电信行业内零接触人工智能（AI）驱动网络自动化的广泛应用。尤其是作为 5G 之后最具前景技术的网络切片，将引入 AI 模型以管理复杂通信网络。此外，当 AI 进行复杂的资源管理与异常检测时，在实际部署中建立 AI 黑箱的信任度也至关重要。受闭环自动化与可解释人工智能（XAI）启发，我们设计了一种可解释联邦深度学习（FDL）模型，用于预测每切片 RAN 丢弃流量概率，并在该非独立同分布（non-IID）设定下联合将敏感性与可解释性感知指标作为约束。具体而言，我们通过所谓的基于归因的强调制对数几率度量（attribution-based log-odds metric）定量验证解释的可信度，该度量被纳入运行时联邦学习优化任务的约束中。仿真结果证实了其在性能上优于无约束的积分梯度（IG）事后（post-hoc）FDL 基线。
引用
@article{arxiv.2309.13325,
title = {Joint Explainability and Sensitivity-Aware Federated Deep Learning for Transparent 6G RAN Slicing},
author = {Swastika Roy and Farhad Rezazadeh and Hatim Chergui and Christos Verikoukis},
journal= {arXiv preprint arXiv:2309.13325},
year = {2024}
}
备注
6 Figure. arXiv admin note: substantial text overlap with arXiv:2307.09494, arXiv:2210.10147, arXiv:2307.12903