解锁RF感知的可解释性：基于复杂值的白箱Transformer
机器学习
2025-07-30 v1 人工智能
摘要
深度学习的实证成功推动了其在射频（RF）领域的应用，带来了深入无线感知（DWS）的显著进展。然而，大多数现有DWS模型作为黑箱运作，解释性有限，这不仅妨碍其可泛化性，还在安全敏感的物理应用中引发顾虑。本文受白箱Transformer的卓越进步启发，提出RF-CRATE——首个针对RF感知的数学可解释深度网络架构，基于复杂稀疏率还原原理。为适应独特的RF信号，我们进行了非平凡的理论推导，将原实数白箱Transformer扩展至复数域。通过运用CR微积分框架，我们成功构建了完全复数值的白箱Transformer，包含理论推导得到的自注意力模块和残差多层感知器模块。此外，为提升模型从有限无线数据中提取判别性特征的能力，我们引入子空间正则化，这一新型正则化策略增强了特征多样性，在多个感知任务中实现平均性能提升19.98%。我们广泛评估了RF-CRATE与七个基线模型，涉及不同RF信号的多个公开和自采集数据集。结果表明，RF-CRATE在性能上与经过精心设计的黑箱模型持平，同时提供完整的数学可解释性。更重要的是，通过将CRATE扩展至复数域，RF-CRATE在多样化感知任务中实现平均分类提升5.08%，回归误差降低10.34%。RF-CRATE已完全开源发布：https://github.com/rfcrate/RF_CRATE。
关键词
引用
@article{arxiv.2507.21799,
title = {Unlocking Interpretability for RF Sensing: A Complex-Valued White-Box Transformer},
author = {Xie Zhang and Yina Wang and Chenshu Wu},
journal= {arXiv preprint arXiv:2507.21799},
year = {2025}
}