Explainable AI for Enhancing Efficiency of DL-based Channel Estimation

要約

人工知能（AI）ベースの意思決定のサポートは、将来の6Gネットワ​​ークの重要な要素であり、ネイティブAIの概念が導入されます。
さらに、AIは、自律運転や医療診断などのさまざまな重要なアプリケーションで広く採用されています。
このようなアプリケーションでは、AIをブラックボックスモデルとして使用することは危険で挑戦的です。
したがって、これらのモデルが下した決定を理解し、信頼することが重要です。
この問題への取り組みは、ブラックボックスモデルの動作の背後にあるロジックを説明することを目的とした説明可能なAI（XAI）スキームを開発し、その効率的で安全な展開を確保することで達成できます。
最近、ワイヤレス通信のチャネル推定に向けた新しい摂動ベースのXai-Chestフレームワークを提案しました。
Xai-Chestフレームワークの中心的なアイデアは、無関係なノイズに高いノイズを誘導することにより、関連するモデル入力を識別することです。
この原稿は、Xai-Chestフレームワークの詳細な理論的基礎を提供します。
特に、Xai-Chest損失関数の分析式と、ノイズしきい値の微調整最適化問題を導き出します。
したがって、設計されたXai-Chestは、採用されたモデルのアーキテクチャを最適化しながら全体的なパフォーマンスをさらに向上させることができるスマート入力機能選択方法論を提供します。
シミュレーション結果は、Xai-Chestフレームワークが有効な解釈を提供することを示しています。ここでは、古典的なDLベースのチャネル推定と比較して、必要な計算の複雑さを減らしながら、ビットエラー率のパフォーマンスが向上します。

要約(オリジナル)

The support of artificial intelligence (AI) based decision-making is a key element in future 6G networks, where the concept of native AI will be introduced. Moreover, AI is widely employed in different critical applications such as autonomous driving and medical diagnosis. In such applications, using AI as black-box models is risky and challenging. Hence, it is crucial to understand and trust the decisions taken by these models. Tackling this issue can be achieved by developing explainable AI (XAI) schemes that aim to explain the logic behind the black-box model behavior, and thus, ensure its efficient and safe deployment. Recently, we proposed a novel perturbation-based XAI-CHEST framework that is oriented toward channel estimation in wireless communications. The core idea of the XAI-CHEST framework is to identify the relevant model inputs by inducing high noise on the irrelevant ones. This manuscript provides the detailed theoretical foundations of the XAI-CHEST framework. In particular, we derive the analytical expressions of the XAI-CHEST loss functions and the noise threshold fine-tuning optimization problem. Hence the designed XAI-CHEST delivers a smart input feature selection methodology that can further improve the overall performance while optimizing the architecture of the employed model. Simulation results show that the XAI-CHEST framework provides valid interpretations, where it offers an improved bit error rate performance while reducing the required computational complexity in comparison to the classical DL-based channel estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google