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、ネイティブ AI の概念が導入される将来の 6G ネットワークの重要な要素です。
さらに、AI は自動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リスクがあり、困難です。
したがって、これらのモデルによって行われた決定を理解し、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し、その効率的かつ安全な展開を保証することを目的とした説明可能な AI (XAI) スキームを開発することで達成できます。
最近、無線通信におけるチャネル推定を目的とし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考え方は、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。
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 損失関数とノイズ閾値微調整最適化問題の解析式を導き出します。
したがって、設計された XAI-CHEST は、使用されるモデルのアーキテクチャを最適化しながら全体の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な入力特徴選択方法を提供します。
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し、従来の 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軽減しながらビット誤り率のパフォーマンスを向上させることを示しています。

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