Generative Explainability for Next-Generation Networks: LLM-Augmented XAI with Mutual Feature Interactions

📄 arXiv: 2606.10942v1 📥 PDF

作者: Kiarash Rezaei, Omran Ayoub, Sebastian Troia, Francesco Lelli, Paolo Monti, Carlos Natalino

分类: cs.NI, cs.AI, cs.LG

发布日期: 2026-06-09

备注: 7 pages, with one page for appendix. Accepted for publication at the 2025 21th International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob)

期刊: Proc. WiMob, Marrakesh, Morocco, 2025

DOI: 10.1109/WiMob66857.2025.11257542

💡 一句话要点

提出生成性可解释性框架以解决网络透明性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 可解释人工智能 大型语言模型 特征交互 网络透明性 光学传输质量

📋 核心要点

  1. 现有的可解释人工智能技术难以为非专业人士提供清晰的操作见解，影响了用户对AI模型的信任。
  2. 本文提出了一种新框架，结合大型语言模型和互特征交互数据，生成易于理解的自然语言解释。
  3. 实验证明，该框架在光学传输质量估计中表现优异，解释的有用性和范围均显著提升。

📝 摘要（中文）

随着人工智能和机器学习模型在网络操作中的广泛应用，其缺乏透明性成为运营商信任的重要障碍。现有的可解释人工智能（XAI）技术往往无法为非专业人士提供可操作的见解。本文提出了一种专门设计的框架，利用适中规模的大型语言模型（LLM），并扩展了SHAP特征影响值的标准用法。该框架通过结构化提示和互特征交互数据生成易于理解的自然语言解释。通过在光学传输质量（QoT）估计的案例中进行实证评估，结果显示与仅使用SHAP特征影响值的基线相比，我们的方法在解释的有用性和范围上分别提高了12.2%和6.2%，且正确率达97.5%。

🔬 方法详解

问题定义：本文旨在解决现有可解释人工智能方法在网络操作中的透明性不足问题，尤其是其对非专业人士的可理解性差。

核心思路：通过结合大型语言模型和互特征交互数据，生成自然语言解释，使其更易于被用户理解，从而提升信任度。

技术框架：框架主要包括数据预处理、特征交互分析、LLM生成解释和用户反馈收集四个模块，形成一个闭环的解释生成过程。

关键创新：本研究的创新在于将互特征交互数据引入到SHAP特征影响值的生成过程中，显著提升了解释的可用性和范围。

关键设计：在参数设置上，使用适中规模的LLM，设计了结构化提示以引导模型生成更符合用户需求的解释，同时确保了高达97.5%的正确率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，与仅使用SHAP特征影响值的基线相比，提出的方法在解释的有用性和范围上分别提高了12.2%和6.2%，且实现了97.5%的正确率，验证了框架的有效性和实用性。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在网络管理、故障诊断和优化决策等领域。通过提升AI模型的可解释性，能够增强用户对系统的信任，促进AI技术在实际操作中的应用。未来，该框架还可扩展至其他需要透明度的AI应用场景。

📄 摘要（原文）

As artificial intelligence and machine learning (AI/ML) models become integral to network operations, their lack of transparency poses a significant barrier to operator trust. Existing explainable artificial intelligence (XAI) techniques often fail to bridge this gap for non-specialists, producing technical outputs that are difficult to translate into actionable insights. This paper presents a framework specifically designed to address this shortcoming. It leverages a moderately sized large language model (LLM) and extends beyond the standard use of SHapley Additive exPlanations (SHAP) feature influence values. The framework employs a structured prompt enriched with mutual feature interaction data to generate human-understandable natural language explanations. To validate our framework, we performed an empirical evaluation on an optical quality of transmission (QoT) estimation use case with human evaluators. We collected independent performance evaluations from specialists, which showed a high inter-evaluator agreement. Compared to a state-of-the-art baseline that uses only SHAP feature influence values in a straightforward prompt, our approach improves the explanation usefulness and scope by 12.2% and 6.2%, while achieving 97.5% correctness.