自解释强化学习在 移动网络资源分配中的应用.pdfVIP

1

自解释强化学习在

移动网络资源分配中的应用

KonradNowosadko,FrancoRuggeri,AhmadTerra

摘要—强化学习（RL）方法结合深度神经网络（DNN），类比类似的划分成内在和事后延伸到XRL解决方

尽管功能强大，但往往缺乏透明性。它们的黑箱特性阻碍了可解案，具有相似的含义。许多具体的内在XRL方法至今

释性并降低了可信度，特别是在关键领域中。为了解决RL任务已被提出[1]。此外，鉴于最先进的RL算法是无模型

中的这一挑战，我们提出了一种基于自解释神经网络（SENNs）

的，这些方法中的黑箱特性来自于使用如DNNs这样

的方法，并结合解释提取方法来增强可解释性同时保持预测准确

本性。我们的方法针对低维度问题生成模型行为的稳健局部和全局的黑箱模型。因此，提高在RL系统中所使用的模