Towards Explainable AI for Channel Estimation in Wireless Communications

要約

6G ネットワークの研究は、自動運転などのさまざまな重要な人工知能 (AI) 支援アプリケーションをサポートするために開始されています。
このようなアプリケーションでは、AI ベースの決定をリアルタイムで実行する必要があります。
これらの決定には、リソースの割り当て、位置特定、チャネル推定などが含まれます。既存の AI ベースのモデルのブラックボックスの性質を考慮すると、そのようなモデルの意思決定の動作を理解し、信頼することは非常に困難です。
したがって、重要なアプリケーションでの採用には、Explainable AI (XAI) 技術を通じてこれらのモデルの背後にあるロジックを説明することが不可欠です。
この原稿は、二重選択チャネル推定で使用される深層学習 (DL) モデルの詳細で合理的な解釈可能性を提供する、新しい XAI ベースのチャネル推定 (XAI-CHEST) スキームを提案します。
提案された XAI-CHEST スキームの目的は、無関係なモデル入力に高いノイズを誘発することで、関連するモデル入力を識別することです。
その結果、研究された DL ベースのチャネル推定器の動作は、生成された解釈に基づいてさらに分析および評価できます。
シミュレーション結果は、提案された XAI-CHEST スキームがさまざまなシナリオに対する DL ベースのチャネル推定器の有効な解釈を提供することを示しています。

要約(オリジナル)

Research into 6G networks has been initiated to support a variety of critical artificial intelligence (AI) assisted applications such as autonomous driving. In such applications, AI-based decisions should be performed in a real-time manner. These decisions include resource allocation, localization, channel estimation, etc. Considering the black-box nature of existing AI-based models, it is highly challenging to understand and trust the decision-making behavior of such models. Therefore, explaining the logic behind those models through explainable AI (XAI) techniques is essential for their employment in critical applications. This manuscript proposes a novel XAI-based channel estimation (XAI-CHEST) scheme that provides detailed reasonable interpretability of the deep learning (DL) models that are employed in doubly-selective channel estimation. The aim of the proposed XAI-CHEST scheme is to identify the relevant model inputs by inducing high noise on the irrelevant ones. As a result, the behavior of the studied DL-based channel estimators can be further analyzed and evaluated based on the generated interpretations. Simulation results show that the proposed XAI-CHEST scheme provides valid interpretations of the DL-based channel estimators for different scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google