迈向弥合联邦学习性能-可解释性权衡：一个可信的6G RAN切片用例
网络与互联网体系结构
2024-09-20 v2 人工智能
摘要
在第六代（6G）网络中，多种网络切片共存，采用人工智能驱动的零接触管理与编排（MANO）变得至关重要。然而，在实际部署中确保AI黑盒的可信性具有挑战性。可解释人工智能（XAI）工具可在切片生态系统中各利益相关方之间建立透明度方面发挥关键作用。但AI性能与可解释性之间存在权衡，这给可信6G网络切片带来了困境，因为利益相关方既需要高性能AI模型以实现高效资源分配，又需要可解释的决策略以确保公平性、问责制和合规性。为平衡这一权衡，并受闭环自动化与XAI方法启发，本文提出一种新颖的解释引导型in-hoc联邦学习（FL）方法，其中受约束的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）数据集下的RAN-Edge设置中实现透明的6G网络切片资源管理。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以指导运行时FL优化任务的整体训练过程。在这方面，集成梯度（IG）、Input×Gradient与SHAP被用于生成我们所提in-hoc方案的归因，不同方法下的仿真结果证实其在应对性能-可解释性权衡方面的成功，以及相对于无约束集成梯度后验FL基线的优越性。
引用
@article{arxiv.2307.12903,
title = {Towards Bridging the FL Performance-Explainability Trade-Off: A Trustworthy 6G RAN Slicing Use-Case},
author = {Swastika Roy and Hatim Chergui and Christos Verikoukis},
journal= {arXiv preprint arXiv:2307.12903},
year = {2024}
}
备注
Submitted for possible publication in IEEE. arXiv admin note: text overlap with arXiv:2210.10147