Explainable AI-aided Feature Selection and Model Reduction for DRL-based V2X Resource Allocation

📄 arXiv: 2501.13552v1 📥 PDF

作者: Nasir Khan, Asmaa Abdallah, Abdulkadir Celik, Ahmed M. Eltawil, Sinem Coleri

分类: eess.SP, cs.AI, cs.LG, cs.MA

发布日期: 2025-01-23

💡 一句话要点

提出基于可解释AI的特征选择与模型简化方法，用于DRL驱动的V2X资源分配。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 可解释AI 深度强化学习 特征选择 模型简化 V2X通信 无线资源管理 SHAP值

📋 核心要点

  1. 现有深度学习模型在无线资源管理中应用受限，主要挑战在于其决策过程缺乏透明度和可解释性。
  2. 该论文提出一种基于XAI的特征选择和模型简化框架，通过识别和移除不重要的特征来降低模型复杂度。
  3. 实验结果表明，该方法在保证性能的同时，显著降低了模型大小和训练时间，提升了模型效率。

📝 摘要（中文）

人工智能(AI)有望显著提升第六代(6G)网络中的无线资源管理(RRM)。然而，复杂深度学习(DL)模型缺乏可解释性，给实际应用带来挑战。本文提出了一种新颖的、与模型无关的可解释AI(XAI)框架，用于特征选择和模型复杂度降低。该方法应用于多智能体深度强化学习(MADRL)环境，解决了蜂窝车联网(V2X)通信中的联合子带分配和功率分配问题。我们提出了一个新颖的两阶段系统可解释性框架，利用面向特征相关性的XAI来简化DRL智能体。第一阶段使用基于Shapley加性解释(SHAP)的重要性分数生成训练模型的特征重要性排序，第二阶段利用这些基于重要性的排序，通过从模型输入中移除最不重要的特征来简化智能体的状态空间。仿真结果表明，在具有八个车辆对的网络中，XAI辅助方法在减少28%的最佳状态特征、11%的平均训练时间和46%的可训练权重参数的同时，实现了原始MADRL总速率性能的97%。

🔬 方法详解

问题定义：在蜂窝V2X通信中，如何有效地进行无线资源（子带和功率）的联合分配，以最大化网络吞吐量，同时满足车辆的通信需求？现有基于深度强化学习（DRL）的方法虽然有效，但模型复杂，可解释性差，难以部署和维护。此外，高维状态空间也增加了训练难度和计算成本。

核心思路：利用可解释AI（XAI）技术，特别是SHAP值，来评估每个状态特征对DRL智能体决策的影响程度。然后，根据特征重要性排序，移除对决策影响较小的特征，从而简化状态空间和模型复杂度，同时尽可能保持性能。

技术框架：该方法包含两个主要阶段：1) 特征重要性评估阶段：使用训练好的MADRL模型，利用SHAP值计算每个状态特征的重要性得分，并进行排序。2) 模型简化阶段：根据特征重要性排序，逐步移除最不重要的特征，并重新训练DRL智能体。通过迭代评估和调整，找到一个在性能和复杂度之间取得良好平衡的简化模型。

关键创新：该论文的关键创新在于将XAI技术应用于DRL模型的特征选择和模型简化，提出了一种系统性的两阶段框架。与传统的特征选择方法相比，该方法能够更准确地评估特征对DRL决策的影响，从而更有效地简化模型。此外，该方法是模型无关的，可以应用于不同的DRL算法。

关键设计：论文使用Shapley Additive Explanations (SHAP) 来计算特征重要性。具体来说，SHAP值衡量了每个特征对模型输出的贡献，可以用来评估特征的重要性。在模型简化阶段，采用迭代的方式，每次移除最不重要的特征，并重新训练模型，直到性能下降到可接受的范围内。MADRL采用的算法未知，但该框架具有通用性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在具有八个车辆对的V2X网络中，该XAI辅助方法在减少28%的最佳状态特征、11%的平均训练时间和46%的可训练权重参数的同时，实现了原始MADRL总速率性能的97%。这表明该方法能够在显著降低模型复杂度的同时，保持接近原始模型的性能。

🎯 应用场景

该研究成果可应用于各种需要智能资源分配的无线通信场景，例如5G/6G网络、工业物联网等。通过降低模型复杂度和提高可解释性，该方法有助于推动DRL技术在实际无线通信系统中的部署和应用，提升网络性能和用户体验。此外，该方法也可推广到其他领域的DRL模型简化和优化。

📄 摘要（原文）

Artificial intelligence (AI) is expected to significantly enhance radio resource management (RRM) in sixth-generation (6G) networks. However, the lack of explainability in complex deep learning (DL) models poses a challenge for practical implementation. This paper proposes a novel explainable AI (XAI)- based framework for feature selection and model complexity reduction in a model-agnostic manner. Applied to a multi-agent deep reinforcement learning (MADRL) setting, our approach addresses the joint sub-band assignment and power allocation problem in cellular vehicle-to-everything (V2X) communications. We propose a novel two-stage systematic explainability framework leveraging feature relevance-oriented XAI to simplify the DRL agents. While the former stage generates a state feature importance ranking of the trained models using Shapley additive explanations (SHAP)-based importance scores, the latter stage exploits these importance-based rankings to simplify the state space of the agents by removing the least important features from the model input. Simulation results demonstrate that the XAI-assisted methodology achieves 97% of the original MADRL sum-rate performance while reducing optimal state features by 28%, average training time by 11%, and trainable weight parameters by 46% in a network with eight vehicular pairs.