本論文では、6Gネットワークスライシングにおける信頼性の高いリソース割当てを実現するために、説明可能な連邦学習(FL)アプローチを提案している。
提案手法の主な特徴は以下の通りである:
説明ガイド型のin-hoc FLアプローチを導入し、制約付きリソース割当てモデルと説明生成器を閉ループ方式で連携させることで、透明性の高いリソース管理を実現する。
統合勾配(IG)XAIを用いて特徴寄与度を生成し、それを確信度メトリックとして最適化問題に組み込む。これにより、パフォーマンスと説明可能性のトレードオフを解消する。
提案手法とベースラインの無制約ポストホックFLを比較し、提案手法が高い確信度を維持しつつ同等の収束性能を示すことを確認した。
特徴寄与度分析を通じて、CQIがCPUリソース割当ての主要な影響要因であることを明らかにした。
提案手法の計算量とオーバーヘッドを分析し、ポストホックFLに比べて効率的であることを示した。
以上より、提案手法は6Gネットワークスライシングにおける信頼性の高いリソース管理を実現する有効な手法であることが示された。
Till ett annat språk
från källinnehåll
arxiv.org
Djupare frågor