[論文レビュー] Towards Bridging the FL Performance-Explainability Trade-Off: A Trustworthy 6G RAN Slicing Use-Case

Swastika Roy, Hatim Chergui+1 more|arXiv (Cornell University)|Jul 24, 2023

Privacy-Preserving Technologies in Data被引用数 4

ひとこと要約

本論文は、6G RANスライシングにおけるパフォーマンスと説明可能性を同時に最適化する、説明付きガイドド型のイン・ホック分散学習（FL）フレームワークを提案する。特徴の寄与度（IG、SHAP、Input×Gradient）に基づく信頼度メトリクスを用いたリソース割り当てモデルと説明者との閉ループフィードバックにより、後処理型FLベースラインと比較して、特に非IIDデータ下でも優れたモデル信頼性と高速な収束を達成する。

ABSTRACT

In the context of sixth-generation (6G) networks, where diverse network slices coexist, the adoption of AI-driven zero-touch management and orchestration (MANO) becomes crucial. However, ensuring the trustworthiness of AI black-boxes in real deployments is challenging. Explainable AI (XAI) tools can play a vital role in establishing transparency among the stakeholders in the slicing ecosystem. But there is a trade-off between AI performance and explainability, posing a dilemma for trustworthy 6G network slicing because the stakeholders require both highly performing AI models for efficient resource allocation and explainable decision-making to ensure fairness, accountability, and compliance. To balance this trade off and inspired by the closed loop automation and XAI methodologies, this paper presents a novel explanation-guided in-hoc federated learning (FL) approach where a constrained resource allocation model and an explainer exchange -- in a closed loop (CL) fashion -- soft attributions of the features as well as inference predictions to achieve a transparent 6G network slicing resource management in a RAN-Edge setup under non-independent identically distributed (non-IID) datasets. In particular, we quantitatively validate the faithfulness of the explanations via the so-called attribution-based confidence metric that is included as a constraint to guide the overall training process in the run-time FL optimization task. In this respect, Integrated-Gradient (IG) as well as Input $ imes$ Gradient and SHAP are used to generate the attributions for our proposed in-hoc scheme, wherefore simulation results under different methods confirm its success in tackling the performance-explainability trade-off and its superiority over the unconstrained Integrated-Gradient post-hoc FL baseline.

研究の動機と目的

• 信頼できるゼロトゥチ管理を実現するため、AI駆動の6Gネットワークスライシングにおける、高いモデル精度と透明性を両立させる性能-説明可能性のトレードオフを解消すること。
• モデル学習と統合されていないため、信頼性が低いか最適化されていない説明が生じる、後処理型XAI手法の限界を克服すること。
• 非IIDデータ分布を伴う分散型RANエッジ環境において、透明性・説明可能性・コンプライアンスを満たすAI意思決定を可能にすること。
• モデルの予測と特徴の寄与度を反復的に最適化することで、性能と説明の整合性を向上させる閉ループメカニズムを導入すること。
• FL最適化プロセスに埋め込んだ新しい寄与度ベースの信頼度メトリクスを用いて、説明の忠実性を定量化すること。

提案手法

• 制約付きリソース割り当てモデルとXAI説明者との間で、ソフトな寄与度と予測を反復的に交換する閉ループ（CL）イン・ホック型FLフレームワークを提案する。
• 信頼度メトリクスを介して、モデルパフォーマンスと説明の忠実性を同時に最適化する代理ラグランジュ2人ゲーム戦略を統合する。
• 学習中に特徴重要度スコアを生成するため、統合勾配（IG）、Input×Gradient、SHAPを寄与度生成器として使用する。
• 寄与度ベースの信頼度メトリクスをランタイムのFL最適化に制約として埋め込み、忠実かつ信頼性のある説明を保証する。
• 非IIDデータを想定したRANエッジ環境でイン・ホック型FL方式を実装し、実世界の6Gネットワークスライシングシナリオをシミュレートする。
• 異なるXAI手法の収束時間とモデルパフォーマンスを評価し、制約なしの後処理型FLベースラインと比較する。

Figure 2: in-hoc FL for transparent resource allocation.

実験結果

リサーチクエスチョン

• RQ1 学習中にXAIを統合するイン・ホック型FLアプローチは、6Gネットワークスライシングにおける性能-説明可能性のトレードオフを効果的に低減できるか？
• RQ2 特徴寄与度に基づく信頼度メトリクスの統合は、FLにおける説明の整合性と信頼性にどのように影響するか？
• RQ3 異なるXAI手法（IG、SHAP、Input×Gradient）は、イン・ホック型FLフレームワークにおける収束速度とモデル信頼度にどのような影響を及ぼすか？
• RQ4 非IIDデータ下で、提案されたイン・ホック型FL手法は、後処理型FLベースラインと比較して、学習時間と説明品質の面でどのように差をつけるか？
• RQ5 CQI、OTTトラフィック、MIMOフルランクなどのネットワークパラメータ（例：CQI、OTTトラフィック、MIMOフルランク）の中で、CPU割り当て予測に最も顕著な影響を与えるものは何か？また、それらは本手法によって信頼性高く特定可能か？

主な発見

• 寄与度生成にIGを用いたイン・ホック型FLアプローチは、収束時間が後処理型ベースラインに近く、予測信頼度も最も高い。
• 寄与度ベースの信頼度メトリクスは、説明の忠実性を的確に定量化し、FL最適化プロセスにおける有効な制約として機能した。
• SHAPベースの寄与度は、CQIがCPU割り当てに強く正の影響を与えていることを示しており、これは良好なチャネル品質が再送信やキューイング遅延の低減につながり、CPU負荷を軽減することを示している。
• TRPあたりのOTTトラフィックは正の値に集中しており、これは高いトラフィックレベルがCPU負荷の増加と相関していることを示しており、動的リソーススケーリングが可能である。
• このシナリオではMIMOフルランクがCPU負荷にほとんど影響を与えない（その大きさが小さいため）が、モデルは依然として潜在的な信号劣化問題を検出可能である。
• イン・ホック型FLフレームワークは、後処理型ベースラインと比較して収束までの計算複雑度が低く、説明信頼度とパフォーマンスの両面で優れた性能を示した。

Figure 3: FL training MSE loss vs. FL rounds with $\nu=[0.82,0.83,0.85]$