面向移动网络资源分配的自解释型强化学习
机器学习
2025-09-19 v1 网络与互联网体系结构
摘要
虽然强化学习(RL)方法结合深度神经网络(DNN)具有强大的能力，但往往缺乏透明度。其黑箱特性会阻碍可解释性并降低可信度，尤其是在关键领域。为了解决RL任务中的这一挑战，我们提出一种基于自解释型神经网络(SENN)及解释提取方法的解决方案，以在保持预测准确性的同时增强可解释性。我们的方案针对低维问题，生成对模型行为的鲁棒局部和全局解释。我们在移动网络资源分配问题上进行评估，证明SENN可以提供具有竞争性能的可解释解决方案。这一工作凸显了SENN在低维任务中提高透明度和信任的潜力。我们的方法在性能上与现有SOTA方法相当，同时提供稳健的解释。
引用
@article{arxiv.2509.14925,
title = {Self-Explaining Reinforcement Learning for Mobile Network Resource Allocation},
author = {Konrad Nowosadko and Franco Ruggeri and Ahmad Terra},
journal= {arXiv preprint arXiv:2509.14925},
year = {2025}
}