Explainable ai and optimization theory based wireless radio resource management
Açıklanabilir yapay zeka ve optimizasyon teorisine dayalı kablosuz radyo kaynak yönetimi
- Tez No: 974520
- Danışmanlar: PROF. DR. SİNEM ÇÖLERİ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mühendislik Bilimleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Uluslararası Telekomünikasyon Birliği'nin IMT-2030 çerçevesi,“Entegre yapay zeka (AI) ve İletişim”i 6G ağlarının temel yönlerinden biri olarak tanımlıyor. Yapay zeka odaklı çözümlere yönelik bu geçiş, karar verme süreçlerinde daha fazla şeffaflık gerektiriyor; burada açıklanabilirlik, yapay zeka sistemlerine güven oluşturmada çok önemli, ağ operatörlerinin ve mühendislerin derin öğrenme (DL) modelleri tarafından alınan kararları anlamalarına, doğrulamalarına ve sorunlarını gidermelerine olanak tanıyor. Ayrıca, dağıtım dışı girdilere ve düşmanca saldırılara karşı dayanıklılık, çeşitli ve gelişen ortamlarda güvenilir performans sağlamak için çok önemlidir. Bu iki faktör (açıklanabilirlik ve sağlamlık), yapay zekanın yalnızca bir geliştirme değil aynı zamanda iletişim sistemlerine entegre edilmiş temel bir bileşen olduğu yapay zekaya özgü 6G ağlarının daha geniş hedeflerini gerçekleştirmek için gereklidir. Bu tez, Yapay Zeka destekli 6G ağlarında sağlam ve şeffaf radyo kaynağı yönetimi (RRM) için Açıklanabilir Yapay Zeka (XAI) uygulamasını incelemektedir. İlk olarak, bu araştırmanın önemi, 6G RRM için açıklanabilirlik ve sağlamlığın yararları verilerek, bir dizi temel açıklanabilirlik ve sağlamlığın ana hatları üzerinden sunulmaktadır. Daha sonra, bu XAI tekniklerinin pratik uygulaması, belirli 6G senaryolarında temel performans göstergeleri (KPI'ler) üzerindeki etkilerinin niceliksel bir değerlendirmesiyle analiz ediliyor. Model basitleştirme ve RRM sağlamlığının arttırılmasındaki uygulamalarını gösteren iki vaka çalışması sunulmaktadır. İlk vaka çalışması, milimetre dalga (mmWave) çoklu giriş çoklu çıkış (MIMO) iletişim sisteminde ışın yönetimi için açıklanabilir ve sağlam bir DL tabanlı çerçeve önermektedir. Işın hizalaması için sinyalleme yükünü en aza indirmek amacıyla, giriş özelliklerini sıralayıp öncelik sırasına koymak, giriş boyutunu ve ışın tarama süresini azaltmak için yeni bir model-agnostik, özellik alaka odaklı XAI çerçevesi tasarlanmıştır. Şeffaflığı ve dayanıklılığı DL tabanlı ışın hizalama motoruna (BAE) dahil etmek için, kötü niyetli/dağıtım dışı girdilere karşı yorumlanabilirlik ve sağlamlık sağlamak için derin sinir ağları (DNN) tarafından öğrenilen dahili temsilleri inceleyen, düşmanca girdilere karşı bir savunma mekanizması geliştirilmiştir. İkinci vaka çalışması, ortak iletim gücü ve spektrum tahsisi için araç ağlarında derin takviyeli öğrenme (DRL) tabanlı RRM'ye odaklanmaktadır. İlk olarak, birden fazla eğitilmiş DRL aracısının çıkarım sürecini açıklamak için model-agnostik XAI tabanlı bir metodoloji tasarlanmıştır. Daha sonra, DRL aracılarının giriş durumu boyutunu basitleştirmek için Shapley eklemeli açıklamaları (SHAP) kullanan yeni bir XAI tabanlı özellik önem sıralaması algoritması geliştirilir ve ardından model karmaşıklığını azaltmak için otomatik bir özellik seçimi stratejisi uygulanır. Düşük öneme sahip özellikleri ortadan kaldırarak, metodoloji performansını korurken daha az ağ parametresi ve daha düşük eğitim süresine sahip basitleştirilmiş bir model üretir. Bu tez ayrıca, ultra güvenilir ve düşük gecikmeli iletişim (URLLC) tabanlı araç ağları için en kötü durum kod çözme hatası olasılığını en aza indirmek amacıyla ortak güç kontrolü ve blok uzunluğu tahsisi için yeni bir DRL tabanlı çerçeve sunmaktadır. Başlangıçta bloktaki kod çözme hatası olasılığının ilgilenilen bölgedeki uzunluk ve iletim gücü değişkenlerindeki ortak dışbükeyliğini kullanan optimizasyon teorisine dayalı bir algoritma geliştirilmiştir. Daha sonra, ortak optimizasyon problemini çözmek için olayla tetiklenen kontrol sistemlerinden ilham alınarak, etkin, olayla tetiklenen DRL tabanlı bir algoritma önerilmiştir. Birleştirme DRL çerçevesine olayla tetiklenen öğrenmeyi dahil etmek DRL sürecinin başlatılıp başlatılmayacağına karar vererek, güvenilirlik performansını makul düzeyde tutarken DRL işlem yürütme sayısını azaltmayı sağlamaktadır. Sonuçlar geleneksel optimizasyon tabanlı çözümlere kıyasla eğitim ve çalışma zamanı karmaşıklığında dikkate değer bir azalmayı gösteriyor.
Özet (Çeviri)
The International Telecommunication Union's IMT-2030 framework identifies ``Integrated artificial intelligence (AI) and Communication'' as one of the core directions for 6G networks. This shift toward AI-driven solutions necessitates greater transparency in decision-making processes, where explainability is pivotal in establishing trust in AI systems, allowing network operators and engineers to understand, validate, and troubleshoot the decisions made by deep learning (DL) models. Additionally, robustness against out-of-distribution inputs and adversarial attacks is crucial to ensure reliable performance in diverse and evolving environments. These two factors—explainability and robustness—are essential to fulfilling the broader goals of AI-native 6G networks, where AI is not just an enhancement but a foundational component integrated into communication systems. This thesis examines the application of Explainable AI (XAI) for robust and transparent radio resource management (RRM) in AI-empowered 6G networks. First, the significance of this research is presented by unveiling the merits of explainability and robustness for 6G RRM, outlining a range of core explainability and robustness techniques for efficient RRM. Then, the practical implementation of these XAI techniques is analyzed, including a quantitative evaluation of their impact on key performance indicators (KPIs) in specific 6G scenarios. Two case studies are presented, showcasing their application in model simplification and enhancing RRM robustness. The first study proposes an explainable and robust DL-based framework for beam management in a millimeter-wave (mmWave) multiple-input multiple-output (MIMO) communications system. To minimize signaling overhead for beam alignment, a novel model-agnostic, feature relevance-oriented XAI framework is designed to rank and prioritize input features, reducing input size and beam sweeping time. To incorporate transparency and resilience into the DL-based beam alignment engine (BAE), a defense mechanism against adversarial inputs is developed, examining internal representations learned by deep neural networks (DNN) to provide interpretability and robustness against malicious/out-of-distribution inputs. The second case study focuses on deep reinforcement learning (DRL)-based RRM in vehicular networks for joint transmit power and spectrum allocation. First, a model-agnostic XAI-based methodology is devised to explain the inference process of multiple trained DRL agents. Then, a novel XAI-based feature importance ranking algorithm using Shapley additive explanations (SHAP) is developed to simplify the DRL agents' input state size, followed by an automated feature selection strategy to reduce model complexity. By eliminating low-importance features, the methodology produces a simplified model with fewer network parameters and lower training time while maintaining reasonable performance. This thesis further introduces a novel DRL-based framework for joint power control and block length allocation to minimize the worst-case decoding error probability for ultra-reliable and low-latency communication (URLLC)-based vehicular networks. Initially, an algorithm grounded in optimization theory is developed based on deriving the joint convexity of the decoding error probability in the block length and transmit power variables within the region of interest. Subsequently, inspired by event-triggered control systems, an efficient event-triggered DRL-based algorithm is proposed to solve the joint optimization problem. Incorporating event-triggered learning into the DRL framework enables assessing whether to initiate the DRL process, thereby reducing the number of DRL process executions while maintaining reasonable reliability performance. The results demonstrate a noteworthy reduction in training and runtime complexity compared to the conventional optimization-based solutions.
Benzer Tezler
- Elektromiyografik işaretlerin bulanık sınıflayıcıları sınıflandırılması
Başlık çevirisi yok
HÜSEYİN ŞEKER
Yüksek Lisans
Türkçe
1995
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. MEHMET KORÜREK
- The effect of investor sentiment on non-ferrous metals contracts at LME and optimizing a metals commodity portfolio
LME'de işlem gören endüstriyel metal sözleşmelerinde yatırımcı duygusu etkisi ve metal emtia portföyü optimizasyonu
EKİN AÇIKGÖZ
Yüksek Lisans
İngilizce
2024
Ekonometriİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. OKTAY TAŞ
- A real tıme mental stress predıctıon usıng multı-modal sensor data and explaınable aı (XAI)
Çok modlu sensör verileri ve açıklanabilir yapay zeka (XAİ) kullanarak gerçek zamanlı zihinsel stres tahmini
HEBA H.M. JADALLAH
Yüksek Lisans
İngilizce
2025
Bilim ve Teknolojiİstanbul Aydın ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
Prof. Dr. RAFET AKDENİZ
PROF. DR. MHD WASIM RAED
- Explainable Turkish text classification for internet media discourses on brain drain and migration attitudes
Beyin göçü ve göç tutumları üzerine Türk internet medyası söylemlerinde açıklanabilir Türkçe metin sınıflandırması
BATUHAN YILDIRIM
Yüksek Lisans
İngilizce
2025
Bilim ve TeknolojiKadir Has ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TANER ARSAN
- Kripto para piyasasındaki al sat sinyallerinde açıklanabilir yapay zeka kullanılması
Using explainable artificial intelligence in buy and sell signals in the cryptocurrency market
OSMAN CAN ÇETLENBİK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIsparta Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ALİ SÜZEN