TEFL：面向 6G 可信零接触网络切片的 turbo 可解释联邦学习
信息论
2023-07-26 v2 机器学习
math.IT
摘要
第六代（6G）网络预期智能支持大量共存且异构的切片，这些切片关联各种垂直用例。这种背景迫切需要在严格的服务水平协议（SLA）下采用人工智能（AI）驱动的端到端（E2E）切片零接触管理与编排（MANO）。具体而言，AI 黑箱在实际部署中的可信度可通过可解释 AI（XAI）工具实现，以在切片生态系统中的交互主体（如租户、基础设施提供商和运营商）之间建立透明性。受 turbo 原理启发，本文提出一种新颖的迭代可解释联邦学习（FL）方法，其中受限资源分配模型与解释器以闭环（CL）方式交换特征的软归因以及推理预测，从而在非独立同分布（non-IID）数据集下实现 RAN-Edge 部署中 6G 网络切片的透明且 SLA 感知的零接触服务管理（ZSM）。特别地，我们通过所谓的基于归因的置信度度量定量验证了解释的真实可靠性，该度量作为约束被纳入运行时 FL 优化任务。在这方面，使用 Integrated-Gradient（IG）、Input×Gradient 和 SHAP 来生成 turbo 可解释 FL（TEFL）的归因，因此不同方法下的仿真结果证实了该方法相对于无约束 Integrated-Gradient 事后 FL 基线的优越性。
引用
@article{arxiv.2210.10147,
title = {TEFL: Turbo Explainable Federated Learning for 6G Trustworthy Zero-Touch Network Slicing},
author = {Swastika Roy and Hatim Chergui and Christos Verikoukis},
journal= {arXiv preprint arXiv:2210.10147},
year = {2023}
}
备注
Overlapes with the new version