用于无线频谱活动自监督聚类的可解释人工智能

所谓的黑盒深度学习（DL）模型在包括无线通信领域在内的许多学科分类任务中得到了越来越多的应用。在这一趋势中，监督深度学习模型作为解决领域相关分类问题的最常见方案被提出。尽管它们被证明具有无与伦比的性能，但需要大量带标签训练数据及其不可解释的推理过程作为两大主要缺点，限制了它们的使用。自监督架构作为一种有前景的解决方案出现，它减少了所需带标签数据的规模，但可解释性问题依然存在。在本文中，我们提出了一种用于解释深度聚类自监督学习架构的方法，该架构由基于卷积神经网络（CNN）的表示学习部分和聚类部分组成。对于最先进的表示学习部分，我们的方法采用引导反向传播来解释输入数据的感兴趣区域。对于聚类部分，该方法依赖浅层树，使用优化深度的决策树来解释聚类结果。最后，数据特定的可视化部分通过相关特征将每个聚类与输入数据联系起来。我们在无线频谱活动聚类的用例中解释了基于 CNN 的深度聚类架构的推理过程。