[论文解读] Neuro-symbolic Explainable Artificial Intelligence Twin for Zero-touch IoE in Wireless Network

Md. Shirajum Munir, Ki Tae Kim+5 more|arXiv (Cornell University)|Oct 13, 2022

Brain Tumor Detection and Classification被引用 4

一句话总结

本文提出了一种用于6G无线网络中零触控万物互联（IoE）管理的神经符号可解释人工智能孪生框架，结合物理空间中的神经网络驱动多变量回归与虚拟空间中的贝叶斯网络符号推理系统。该框架通过使用贝叶斯多臂老虎机最小化预期与实际可解释分数之间的差距，实现了96.26%的准确率，并使信任度评分比基线高出18%至44%。

ABSTRACT

Explainable artificial intelligence (XAI) twin systems will be a fundamental enabler of zero-touch network and service management (ZSM) for sixth-generation (6G) wireless networks. A reliable XAI twin system for ZSM requires two composites: an extreme analytical ability for discretizing the physical behavior of the Internet of Everything (IoE) and rigorous methods for characterizing the reasoning of such behavior. In this paper, a novel neuro-symbolic explainable artificial intelligence twin framework is proposed to enable trustworthy ZSM for a wireless IoE. The physical space of the XAI twin executes a neural-network-driven multivariate regression to capture the time-dependent wireless IoE environment while determining unconscious decisions of IoE service aggregation. Subsequently, the virtual space of the XAI twin constructs a directed acyclic graph (DAG)-based Bayesian network that can infer a symbolic reasoning score over unconscious decisions through a first-order probabilistic language model. Furthermore, a Bayesian multi-arm bandits-based learning problem is proposed for reducing the gap between the expected explained score and the current obtained score of the proposed neuro-symbolic XAI twin. To address the challenges of extensible, modular, and stateless management functions in ZSM, the proposed neuro-symbolic XAI twin framework consists of two learning systems: 1) an implicit learner that acts as an unconscious learner in physical space, and 2) an explicit leaner that can exploit symbolic reasoning based on implicit learner decisions and prior evidence. Experimental results show that the proposed neuro-symbolic XAI twin can achieve around 96.26% accuracy while guaranteeing from 18% to 44% more trust score in terms of reasoning and closed-loop automation.

研究动机与目标

• 解决现有数据驱动AI方法在无线IoE零触控网络与服务管理（ZSM）中可解释性与可信度不足的问题。
• 克服先前方法在可扩展性、模块化以及ETS1标准所要求的无状态管理功能方面的局限性。
• 通过整合无意识决策与符号推理，实现可解释推理的闭环自动化。
• 通过结合隐式学习与显式学习的双重学习系统，确保AI驱动的IoE服务管理的可靠性与可信度。
• 利用贝叶斯多臂老虎机最小化预期与实际可解释分数之间的差距，实现自适应优化。

提出的方法

• 在物理空间中采用基于神经网络的多变量回归模型，以捕捉时变的无线IoE动态，并推断服务聚合中的无意识决策。
• 在虚拟空间中构建基于有向无环图（DAG）的贝叶斯网络，利用一阶概率语言模型执行符号推理。
• 将贝叶斯多臂老虎机学习问题公式化，以优化预期与当前可解释分数之间的差距，从而增强可信度。
• 实施双重学习架构：隐式学习器用于无意识决策，显式学习器基于隐式输出与先验证据执行符号推理。
• 利用声明性语义与概率图模型，实现对用户速度、CQI和数据速率等网络参数的可解释、基于证据的推理。
• 利用边缘概率分布与相关性分析，量化移动性、上行/下行链路速率以及CQI对gNB关联与服务质量的影响。

实验结果

研究问题

• RQ1 神经符号XAI孪生系统在多大程度上可提升6G无线网络中零触控IoE服务管理的可解释性与可信度？
• RQ2 基于贝叶斯网络的符号推理在动态IoE环境中，能在多大程度上增强AI决策的可解释性？
• RQ3 隐式（神经）与显式（符号）学习的整合如何提升ZSM中的闭环自动化与可靠性？
• RQ4 贝叶斯多臂老虎机在最小化XAI孪生框架中预期与实际可解释分数差异方面有何影响？
• RQ5 用户移动性、数据速率与信道质量如何影响gNB关联与服务性能？这些关系能否被可靠建模并解释？

主要发现

• 所提出的神经符号XAI孪生系统在IoE服务管理中实现了96.26%的准确率，显著优于基线模型。
• 在闭环自动化中，该框架的信任度评分比基于梯度的老虎机高出44%，比ε-贪婪基线高出18%。
• 符号推理揭示了强相关性：gNB关联与用户移动性之间存在83%的正相关性，与下行链路数据速率之间存在90%的正相关性。
• 用户移动性与上行链路数据速率分别对下行链路数据速率决策表现出100%与98%的依赖性，凸显了关键影响因素。
• CQI（信道质量指示符）受上行链路数据速率（82%相关性）、下行链路（79%）和移动性（75%）的影响最强，证实了其在服务质量中的关键作用。
• gNB间信任度的边缘分布表现出自适应、自我强化的行为，展示了在实时IoE服务执行中稳健且动态响应的特性。