X-REFINE: XAI-based RElevance input-Filtering and archItecture fiNe-tuning for channel Estimation

本文提出了 X-REFINE 框架，该框架利用基于分解的符号稳定 LRP 规则生成高分辨率相关性评分，从而在 6G 信道估计中实现输入过滤与架构微调的联合优化，在显著降低计算复杂度的同时保持了鲁棒的误码率性能。

要点

这篇论文介绍了一种名为 X-REFINE 的新方法，旨在解决人工智能（AI）在 6G 无线通信中“太黑盒、太复杂”的问题。

为了让你轻松理解，我们可以把整个通信系统想象成一家繁忙的餐厅，而 AI 模型就是主厨。

1. 背景：为什么我们需要“主厨”？

在 6G 时代，无线信号（比如你手机接收的数据）就像食材。由于路途遥远和干扰，这些食材到达餐厅时往往沾满了泥土（噪声）或者被切坏了（失真）。

• 传统方法：以前的“主厨”（经典算法）只能做简单的清洗，效果一般。
• 现在的 AI 方法：我们请来了超级 AI 主厨（深度学习模型），它能通过复杂的步骤把脏食材洗得干干净净，还原出完美的菜肴（准确的信道估计）。
• 问题所在：这个 AI 主厨是个“黑盒”。你问他：“你为什么觉得这块肉是好的？”他回答：“因为我脑子里的某种神秘感觉。”而且，他非常忙碌且昂贵，处理每一道菜都要动用整个厨房的所有员工（所有神经元），即使有些员工根本帮不上忙，甚至还在捣乱。

2. 核心问题：黑盒与浪费

• 不可解释性：如果 AI 出错，我们不知道是哪里出了问题，这在自动驾驶或紧急通信中很危险。
• 效率低下：AI 主厨在处理食材时，不管什么垃圾都一股脑塞给所有员工处理，导致厨房拥挤、能耗高、速度慢。

3. 解决方案：X-REFINE（智能筛选与精简）

这篇论文提出的 X-REFINE 框架，就像给这位 AI 主厨配备了一位超级精明的“行政经理”。这位经理有两项绝活：

绝活一：智能筛选食材（输入过滤）

• 以前的做法：不管食材好坏，全部洗一遍。
• X-REFINE 的做法：经理先拿放大镜（基于 LRP 技术的解释性算法）仔细检查每一块食材。
  • 如果是好食材（关键信号），保留。
  • 如果是烂菜叶（噪声干扰），直接扔掉，不洗了。
  • 如果是没用的石头（无关数据），直接忽略。
  • 比喻：这就好比做汤，经理发现只有那几根胡萝卜和土豆是精华，其他的泥沙和枯叶直接倒掉，只把精华交给厨房。

绝活二：精简厨房团队（架构微调/剪枝）

• 以前的做法：不管这道菜多简单，都让 100 个厨师一起动手。
• X-REFINE 的做法：经理发现，其实只需要 30 个最厉害的厨师就够了，剩下的 70 个其实是在“摸鱼”或者帮倒忙。
  • 经理根据每个厨师的“贡献度”（相关性分数），把那些贡献低的厨师暂时请回家休息（剪枝）。
  • 比喻：原本需要 100 人搬砖，现在发现只要 30 个精英就能搬完，而且搬得更快、更稳。

4. 为什么 X-REFINE 比以前的方法（XAI-CHEST）更好？

以前的方法（XAI-CHEST）有点像蒙眼试错：

• 它通过往食材上撒点“胡椒粉”（人为添加噪声），看味道变不变来判断食材重不重要。这种方法比较粗糙，而且只关注食材，不管厨房团队。

X-REFINE 则是透视眼 + 内部诊断：

• 它直接深入 AI 主厨的“大脑”内部，顺着烹饪的逻辑倒推（反向传播），精准地知道哪块食材重要，哪个厨师重要。
• 结果：它不仅挑出了最好的食材，还优化了团队结构。

5. 最终效果：更聪明、更省钱、更靠谱

论文通过模拟实验证明：

• 味道更好（性能提升）：即使只用了部分食材和部分厨师，做出来的菜（通信质量，即误码率 BER）反而比全用更好，或者至少一样好。
• 成本更低（复杂度降低）：因为扔掉了垃圾食材，也解雇了多余的厨师，厨房的能耗（计算量）大幅下降，最高能减少 60% 以上的计算负担。
• 更透明（可解释性）：我们知道为什么这么选，因为经理有详细的“贡献度报告”。

总结

X-REFINE 就像是给 6G 通信中的 AI 模型请了一位精明的管家。这位管家不仅会挑拣（只保留有用的信号），还会裁员（精简模型结构）。

最终结果是：餐厅（通信系统）变得更轻快、更省电、更透明，而且做出来的菜（数据传输）依然美味可口。这对于未来需要极速、低延迟的 6G 网络来说，是一个非常重要的进步。

技术摘要

论文技术总结：X-REFINE——基于 XAI 的输入过滤与架构微调用于信道估计

1. 研究背景与问题 (Problem)

随着 6G 无线通信向AI 原生架构（AI-native architectures）演进，深度学习（DL）模型（如前馈神经网络 FNN）被广泛应用于信道估计等关键任务，以替代传统方案并满足超可靠低时延通信（URLLC）的需求。然而，现有 DL 模型面临以下主要挑战：

• 黑盒性质：缺乏透明度和可解释性，难以在安全关键场景（如 V2X 通信）中建立信任。
• 高复杂度：模型参数量大，计算复杂度高，难以在资源受限的边缘设备上部署。
• 现有 XAI 方案的局限性：之前的研究（如作者提出的 XAI-CHEST）主要采用基于扰动（perturbation-based）的方法进行输入过滤。虽然能识别重要输入，但往往忽略了模型内部结构的优化，无法实现“输入 - 架构”的联合剪枝，导致性能 - 复杂度 - 可解释性的权衡（Trade-off）不够理想。

2. 方法论 (Methodology)

本文提出了 X-REFINE（XAI-based RElevance input-Filtering and archItecture fiNe-tuning for channel Estimation），这是一个基于分解型（decomposition-based）可解释人工智能（XAI）的联合优化框架。

核心机制

1. 基于 LRP-ϵ 规则的相关性评分：

   • 不同于扰动法，X-REFINE 利用符号稳定的层相关性传播（Sign-Stabilized LRP-ϵ）规则。
   • 该方法通过守恒定律将预测结果反向传播至输入层和隐藏层神经元。
   • 相位不变初始化：针对复数回归问题，将初始相关性设为预测值的模（$| \hat{h} |$），避免相位偏移导致的负分干扰，确保相关性评分仅反映权重贡献而非输出符号。
   • 符号稳定器：引入 $\epsilon$ 项防止数值崩溃，同时保持归因的极性。

2. 双重优化问题（Double Optimization）：

   • 输入过滤（Input Filtering）：基于全局相关性阈值 $\tau$，筛选出对信道估计有贡献的子载波（Subcarriers），剔除噪声或有害子载波。
   • 架构微调（Architecture Fine-tuning/Pruning）：基于百分位阈值 $P$，对隐藏层神经元进行剪枝。通过保留每层中相关性最高的神经元比例，实现结构稀疏化。
   • 联合目标：寻找最优的输入掩码 $m^*_{in}$ 和架构掩码 $m^*_{arch}$，在最小化均方误差（MSE）和保证误码率（BER）性能的前提下，最大化计算复杂度的降低。

3. 优化策略：

   • 由于联合优化空间是非凸且非单调的，论文采用结构化数值网格搜索（Structured numerical grid search）策略，遍历不同的阈值组合，以实证方式确定最优解，而非依赖难以推导的闭式解。

3. 主要贡献 (Key Contributions)

1. 提出 X-REFINE 框架：首个将基于分解的 XAI（LRP-ϵ）应用于信道估计，同时实现输入特征选择和网络架构剪枝的联合优化方案。
2. 解析推导与仿真验证：推导了模型输入和架构优化的解析表达式，并通过仿真验证了其在不同场景下的有效性。
3. 性能 - 复杂度权衡突破：证明了仅使用相关输入和神经元（而非全量数据/全量网络）不仅能保持鲁棒的 BER 性能，还能显著降低计算复杂度（FLOPs）。

4. 实验结果 (Results)

实验基于 IEEE 802.11p 标准，在高速移动（VTV-EX/SDWW）的低频（LF）和高频（HF）选择性信道场景下，对比了 X-REFINE、XAI-CHEST 和基准 FNN 模型。

• 可解释性提升：

  • X-REFINE 生成的相关性分布比 XAI-CHEST 更稀疏、更可信。
  • 能准确识别导频子载波为“可靠（Reliable）”区域，并区分出“有害（Harmful, R<0）”子载波（即传播噪声误差的子载波）。
  • 在高阶调制（64QAM）下，模型能自动忽略更多受噪声扭曲的输入，而 QPSK 下则保留更多输入。

• 误码率（BER）：

  • 在低频（LF）信道下，仅使用导频子载波即可达到最佳 BER。
  • 在高频（HF）信道下，X-REFINE 通过保留更多“贡献型（Contributing）”子载波，适应了更复杂的信道环境。
  • 架构剪枝效果：在保持 BER 性能不下降甚至略有提升的情况下，成功将 FNN 架构从 (15-15-15) 剪枝至 (14-11-09) 等更紧凑的结构。

• 计算复杂度降低：

  • LF 场景：输入过滤带来 39.51% 的复杂度降低；结合架构剪枝后，QPSK 和 64QAM 的总复杂度降低分别达到 62.41% 和 51.45%。
  • HF 场景：总复杂度降低分别为 35.16% (QPSK) 和 43.59% (64QAM)。
  • 相比 XAI-CHEST，X-REFINE 在所有场景下均实现了更显著的复杂度削减。

5. 意义与展望 (Significance)

• 理论意义：突破了传统 XAI 仅用于输入分析的局限，证明了 XAI 相关性评分可直接指导模型内部结构的剪枝，实现了“可解释性驱动的结构优化”。
• 应用价值：为 6G 无线通信中部署高效、低时延的 AI 模型提供了切实可行的方案。X-REFINE 能够在资源受限的边缘设备上运行，同时保证通信的可靠性（低 BER）和安全性（高可解释性）。
• 未来方向：
  1. 研究初始信道估计方法对 X-REFINE 相关性分布的影响。
  2. 将框架扩展至循环神经网络（RNN）。
  3. 评估不同基于梯度的 XAI 方案在该框架下的表现。

总结：X-REFINE 通过利用 LRP-ϵ 规则进行深度的模型内部分析，成功实现了输入过滤与架构剪枝的协同优化，在显著降低计算成本的同时，维持甚至提升了信道估计的精度，是迈向 6G 可解释、高效 AI 通信系统的重要一步。