X-REFINE：基于 XAI 的输入相关性过滤与架构微调用于信道估计
机器学习
2026-02-27 v1 信号处理
摘要
AI 天然架构对于 6G 无线通信至关重要。深度学习模型在关键应用中（如信道估计）的黑箱特性和高复杂度限制了其实际部署。虽然基于扰动的 XAI 解决方案提供了输入过滤功能，但常常忽略内部结构优化。我们提出 X-REFINE，一个基于 XAI 的框架，用于联合输入过滤与架构微调。通过利用基于分解的、符号稳定的 LRP epsilon 规则，X-REFINE 将预测反向传播以获得次载波和隐藏神经元的高分辨率相关性得分。这实现了整体优化，识别最可靠的模型组件。仿真结果表明，X-REFINE 在可解释性-性能-复杂度三方面实现了优越的权衡，显著降低了计算复杂度，同时在不同情景下保持稳健的位错误率（BER）性能。
引用
@article{arxiv.2602.22277,
title = {X-REFINE: XAI-based RElevance input-Filtering and archItecture fiNe-tuning for channel Estimation},
author = {Abdul Karim Gizzini and Yahia Medjahdi},
journal= {arXiv preprint arXiv:2602.22277},
year = {2026}
}
备注
This paper has been accepted for publication in the IEEE Transactions on Vehicular Technology (TVT) as a correspondence paper