用于6G切片的可解释性和灵敏度感知的联邦深度学习方法

本发明公开了网络通信技术领域的用于6G切片的可解释性和灵敏度感知的联邦深度学习方法，通过可解释的联邦学习本地模型来预测每个无线接入网络(RAN)切片的掉话率，同时将灵敏度感知和可解释性指标作为此类非独立同分布本地数据集设置中的约束，通过对数几率分值来定量验证解释器的可信度，该分值可作为运行时联邦学习优化任务中的约束条件，本发明提供的方法明显优于传统的无约束积分梯度后自组织联邦深度学习的性能，可有效降低网络资源管理的复杂度。