.png){kind=icon}
返回
Explainability analysis based on attribution features for optimizing automatic modulation classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.comnet.2025.111696.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 评估了四种XAI方法（IG、DeepLIFT、SHAP、LIME）在CNN和LSTM调制分类器上的表现，确定IG为无线信号的最优可解释性方法。
• 通过特征删除和特征滑动测试验证了生成可解释性结果在敏感性和不变性方面的可靠性。
• XAI引导的注意力机制优化了训练过程，提升了基于AI的AMC模型的性能和精度。
• 提出了一种调制可解释性度量（EMM）以量化XAI的有效性。
