机构名称：
¥ 1.0
摘要：本文介绍了可解释人工智能 (XAI) 模型的联邦学习 (FL) 概念，作为先进 5G 至 6G 系统的一项使能技术，并讨论了其在自动车辆网络用例中的适用性。尽管已经广泛研究了神经网络的 FL，利用随机梯度下降的变体作为优化方法，但在固有可解释模型的背景下尚未得到充分研究。一方面，XAI 通过帮助最终用户信任（通过设计）网络内 AI 功能会发出适当的操作建议，允许改善所提供通信服务的用户体验。另一方面，FL 确保整个系统的车辆和用户数据的安全和隐私。现有的基于 AI 的无线网络规划、设计和运营解决方案往往忽略了这些要求。从这个角度来看，本文详细描述了相关的 6G 用例，重点关注车对万物 (V2X) 环境：我们描述了一个框架来评估所提出的方法，该方法涉及基于实时网络的真实数据进行在线训练。XAI 模型的 FL 有望作为一种实现去中心化、轻量级和通信高效智能无缝可用性的方法带来好处。所提出方法的影响（包括标准化视角）在于提高操作的可信度，例如通过可解释体验质量 (QoE) 预测，以及对来自传感器、终端、用户和应用程序的数据进行安全和隐私保护管理。
6G 系统中可解释 AI 模型的联合学习
主要关键词
相关文件推荐
