6G 环境下可解释推理：关于无线资源分配的概念验证研究
网络与互联网体系结构
2024-09-20 v2
摘要
向人工智能 (AI) 原生六代 (6G) 网络的演进强化了对网络管理操作中可解释性和可信度的重要性，尤其是针对关键任务场景。这种期望的可信度超越了传统的事后可解释 AI (XAI) 方法，转而是利用上下文解释来指导学习过程进行内在解释。本文提出一种名为 TANGO 的新型图强化学习 (GRL) 框架，其依赖于符号子系统。该框架包含一个贝叶斯图神经网络 (GNN) 解释器，其输出以边/节点的重要性和不确定性形式呈现，这些输出定期被翻译为逻辑 GRL 奖励函数。通过定义的符号推理规则在 Reasoner 中完成该调整。在一个现实的测试平台概念证明 (PoC) 中， formulate 一个 gNodeB (gNB) 的无线资源分配问题，旨在最小化物理资源块 (PRB) 的过度和不足配置，同时惩罚来自不确定且不重要边缘节点关系的决策。我们的发现表明，所提出的内在可解释性解决方案在收敛速度上显著优于标准 GRL 基线和其他深强化学习 (DRL) 框架中的基准。该实验在 AI、复杂度、能源消耗、鲁棒性、网络、可扩展性和可解释性等指标上进行了评估。具体而言，结果表明 TANGO 在推理阶段实现了 96.39% 的最优 PRB 分配准确率，超越基线 1.22 倍。
引用
@article{arxiv.2407.10186,
title = {Toward Explainable Reasoning in 6G: A Proof of Concept Study on Radio Resource Allocation},
author = {Farhad Rezazadeh and Sergio Barrachina-Muñoz and Hatim Chergui and Josep Mangues and Mehdi Bennis and Dusit Niyato and Houbing Song and Lingjia Liu},
journal= {arXiv preprint arXiv:2407.10186},
year = {2024}
}
备注
21 pages, 11 Figures, 5 Tables