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

• arxiv url: http://arxiv.org/abs/2602.22277v1
• Date: Wed, 25 Feb 2026 10:20:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.347649
• Title: X-REFINE: XAI-based RElevance input-Filtering and archItecture fiNe-tuning for channel Estimation
• Title（参考訳）: X-REFINE:XAIを用いたrelevance input-FilteringとArchitecture fiNe-tuningによるチャネル推定
• Authors: Abdul Karim Gizzini, Yahia Medjahdi,
• Abstract要約: 本稿では,XAIを用いた入力フィルタとアーキテクチャの微調整のためのフレームワークであるX-REFINEを提案する。 X-REFINEは、サブキャリアと隠されたニューロンの両方に対して高分解能の関連性スコアを導き出すために予測を逆伝播させる。
• 参考スコア（独自算出の注目度）: 0.2578242050187029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-native architectures are vital for 6G wireless communications. The black-box nature and high complexity of deep learning models employed in critical applications, such as channel estimation, limit their practical deployment. While perturbation-based XAI solutions offer input filtering, they often neglect internal structural optimization. We propose X-REFINE, an XAI-based framework for joint input-filtering and architecture fine-tuning. By utilizing a decomposition-based, sign-stabilized LRP epsilon rule, X-REFINE backpropagates predictions to derive high-resolution relevance scores for both subcarriers and hidden neurons. This enables a holistic optimization that identifies the most faithful model components. Simulation results demonstrate that X-REFINE achieves a superior interpretability-performance-complexity trade-off, significantly reducing computational complexity while maintaining robust bit error rate (BER) performance across different scenarios.
• Abstract（参考訳）: AIネイティブアーキテクチャは6G無線通信に不可欠である。 チャネル推定のような重要なアプリケーションで使用される深層学習モデルのブラックボックスの性質と複雑さは、実際のデプロイメントを制限する。 摂動に基づくXAIソリューションは入力フィルタリングを提供するが、内部構造最適化は無視されることが多い。 本稿では,XAIを用いた入力フィルタとアーキテクチャの微調整のためのフレームワークであるX-REFINEを提案する。 X-REFINEは、分解に基づく、符号安定化LPPエプシロン則を利用して、予測を逆伝播させ、サブキャリアと隠れたニューロンの両方に対して高分解能の関連性スコアを導出する。 これにより、最も忠実なモデルコンポーネントを識別する全体的な最適化が可能になる。 シミュレーションの結果,X-REFINEは高い解釈可能性・性能・複雑さのトレードオフを実現し,様々なシナリオにおける堅牢なビット誤り率(BER)性能を維持しながら計算複雑性を著しく低減することを示した。

関連論文リスト

• Benchmarking Long Roll-outs of Auto-regressive Neural Operators for the Compressible Navier-Stokes Equations with Conserved Quantity Correction [4.935495275426904]
  本稿では,深層学習モデルに物理保存基準を組み込むためのモデル非依存手法である保存量補正について述べる。 その結果、モデルアーキテクチャに関係なく、自己回帰型ニューラル演算子の長期安定性が一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-01-30T04:27:29Z)
• Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
  シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。 提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2025-10-02T15:15:50Z)
• Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table [49.65586812435899]
  XAStructは、結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習ベースのシステムである。 XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2025-06-13T15:58:05Z)
• FX-DARTS: Designing Topology-unconstrained Architectures with Differentiable Architecture Search and Entropy-based Super-network Shrinking [19.98065888943856]
  微分可能なアーキテクチャサーチ(DARTS)の探索空間に強い先行性が課せられる 本稿では,セルトポロジの制約を排除し,スーパーネットワークの離散化機構を変更することで,これらの制約を緩和することを目的とする。 FX-DARTSは、パフォーマンスと計算複雑性の間の競合するトレードオフを持つ一連のニューラルネットワークを探索することができる。
  論文  参考訳（メタデータ） (2025-04-25T08:34:29Z)
• Explainable AI for Enhancing Efficiency of DL-based Channel Estimation [1.0136215038345013]
  人工知能に基づく意思決定のサポートは、将来の6Gネットワークの重要な要素である。 このようなアプリケーションでは、ブラックボックスモデルとしてAIを使用するのは危険で難しい。 本稿では,無線通信におけるチャネル推定を目的とした新しいXAI-CHESTフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-09T16:24:21Z)
• Input Convex Lipschitz RNN: A Fast and Robust Approach for Engineering Tasks [14.835081385422653]
  入力凸リプシッツリカレントニューラルネットワーク(ICLRNN)と呼ばれる新しいネットワークアーキテクチャを導入する。 このアーキテクチャは、凸性とリプシッツ連続性の利点をシームレスに統合し、高速で堅牢なニューラルネットワークベースのモデリングと最適化を可能にする。 化学プロセスのモデリングと制御、ソーラーPVシステム計画のための実世界の太陽放射予測など、実用的な技術シナリオにうまく応用されている。
  論文  参考訳（メタデータ） (2024-01-15T06:26:53Z)
• REX: Rapid Exploration and eXploitation for AI Agents [103.68453326880456]
  本稿では、REXと呼ばれるAIエージェントのための高速探索およびeXploitationのための改良されたアプローチを提案する。 REXは追加の報酬層を導入し、アッパー信頼境界(UCB)スコアに似た概念を統合し、より堅牢で効率的なAIエージェントのパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-07-18T04:26:33Z)
• Optimizing Explanations by Network Canonization and Hyperparameter Search [74.76732413972005]
  ルールベースで修正されたバックプロパゲーションXAIアプローチは、モダンなモデルアーキテクチャに適用される場合、しばしば課題に直面します。 モデルカノン化は、基礎となる機能を変更することなく問題のあるコンポーネントを無視してモデルを再構成するプロセスである。 本研究では、一般的なディープニューラルネットワークアーキテクチャに適用可能な、現在関連するモデルブロックのカノン化を提案する。
  論文  参考訳（メタデータ） (2022-11-30T17:17:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。