摘要

本文介绍了在未来的6G网络中，基于深度学习的信道估计（DL-based Channel Estimation）的效率提升问题。文章提出了一种新颖的基于扰动（perturbation-based）的XAI-CHEST框架，旨在通过识别模型输入中的相关和不相关部分来解释黑箱模型行为，从而确保其高效和安全的部署。该框架通过在无关输入上引入高噪声来识别相关模型输入，从而提高整体性能并优化所使用模型的架构。模拟结果显示，XAI-CHEST框架提供了有效的解释，同时提高了比特错误率性能并降低了计算复杂度。

原理

XAI-CHEST框架的核心工作原理是通过扰动方法来分类模型的输入为相关和不相关。具体来说，如果一个子载波对于训练好的黑箱模型的决策是相关的，那么在增加高噪声到该子载波上时，模型的准确性会受到负面影响。相反，如果子载波不参与模型的决策，那么无论引入多少噪声，信道估计的准确性都会保持不变。因此，通过仅考虑相关子载波作为模型输入，可以提高信道估计的性能，并减少所需的计算复杂度。

流程

XAI-CHEST框架的工作流程包括以下步骤：

1. 训练U模型并冻结其参数θU。
2. 训练N模型，其目标是在保持预训练U模型性能的同时，增加b′ Φi的增长。
3. 根据b′ Φi过滤子载波，其中较高的噪声权重表示相应的子载波是不相关的（红色），而较低的噪声权重表示子载波是相关的（蓝色）。
4. 在测试阶段，b′ Φi被缩放回bΦi ∈ RKon×1，其中每个子载波的实部和虚部的噪声权重被平均。

应用

XAI-CHEST框架在无线通信领域具有广泛的应用前景，特别是在需要高数据速率和低延迟的关键应用中，如自动驾驶和医疗诊断。通过提供模型的可解释性，XAI-CHEST框架不仅增强了模型的信任度，还优化了模型的架构，减少了计算复杂度，从而在未来的6G网络中具有重要的应用价值。