可解释人工智能(XAI)在 6G 中的应用:增强人机之间的信任
本研究旨在探索解释机器学习方法在 B5G 安全领域的潜力,从而使决策过程透明可理解,系统自动化行为可追溯管理,涵盖 5G、B5G、人工智能、机器学习和解释机器学习方法的研究。
Apr, 2022
本文介绍了一种基于生成式对抗学习的信任管理方法,以保证 6G 无线网络的安全与服务质量。通过整合人工智能和信任管理,实现智能优化和安全性。最后,应用该方法来保证网络安全和服务质量,取得了出色的表现。
Aug, 2022
本文介绍了深度学习中可解释人工智能技术(XAI),提出了技术分类法并介绍了方法学、范畴和应用层次等主要原则,旨在建立可信、可解释和自说明的深度学习模型。此外,通过八种不同的可解释人工智能算法对图像数据进行了评估,讨论了这种方法的局限性,并提出了未来改进的潜在方向。
Jun, 2020
论文综述了可解释人工智能(XAI)在物联网中的应用,重点介绍了 XAI 在安全增强、医疗物联网(IoMT)、工业物联网(IIoT)和城市物联网(IoCT)等应用中的广泛使用以及在这些应用中 XAI 模型的实现选择,同时介绍了边缘 XAI 结构和第六代(6G)通信服务对物联网应用的支持。
Nov, 2022
这篇论文讨论了符合科学历史的可解释人工智能 (XAI) 的框架问题,其原因追溯至现代机器学习(尤其是深度和强化学习)和对创造值得信赖的 AI 系统的关注,它的五个级别框架是 XAI 的关键组成部分。
May, 2020
通过对网络系统中的网络驱动安全威胁和问题进行系统分类,本文就网络安全中的可解释人工智能问题进行了回顾和研究,探讨了解释人工智能目前的挑战和局限性,并提出了未来的研究方向。
Mar, 2023
本文介绍了一种将模型训练和推断能力嵌入到网络边缘的边缘人工智能技术,为 6G 提供了一种优化网络效率、效果、隐私和安全的解决方案,并提出了新的无线网络设计原则、面向服务的资源分配优化方法、端到端的架构以支持边缘人工智能。
Nov, 2021
这篇文章提出了一种基于人工智能的 6G 网络智能架构,用于实现知识发现、智能资源管理、自动网络调整和智能服务提供。作者还回顾和讨论了 AI 技术在 6G 网络中的应用,并详细阐述了如何利用 AI 技术有效地优化网络性能,包括 AI 支持的移动边缘计算、智能移动和切换管理以及智能频谱管理。另外,作者强调了重要的未来研究方向和 AI-enabled 6G 网络的潜在解决方案,包括算法鲁棒性、计算效率、硬件开发和能源管理等。
Dec, 2019
该论文呼吁从事人类中心的可解释人工智能研究,探究人类对于深度学习系统的理解和信任的关键作用,并提出设计可解释的神经网络体系结构的方案,以实现实时、准确、可操作、易于解释和一致的需求。
Jul, 2023