
-
生物通官微
陪你抓住生命科技
跳动的脉搏
面向 6G 边缘网络的因果信任感知联邦多智能体强化学习
《Scientific Reports》:Causal trust aware federated multi agent reinforcement learning for 6G edge networks
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要第六代(6G)无线网络的到来要求向内在智能、去中心化和可信架构进行范式转变,以管理边缘环境的极端异构性、动态性和规模。虽然联邦多智能体强化学习(Fed-MARL)为隐私保护的分布式决策提供了一条有前景的路径,但现有框架饱受缺乏可解释性、易受不可信智能体攻击以及无法从虚假相
第六代(6G)无线网络的到来要求向内在智能、去中心化和可信架构进行范式转变,以管理边缘环境的极端异构性、动态性和规模。虽然联邦多智能体强化学习(Fed-MARL)为隐私保护的分布式决策提供了一条有前景的路径,但现有框架饱受缺乏可解释性、易受不可信智能体攻击以及无法从虚假相关性中泛化的困扰,往往导致不公平的资源分配和次优的能量效率。为了解决这些关键限制,我们提出了 CT-Fed MARL,这是一种新颖的因果感知和信任驱动的联邦多智能体强化学习框架,旨在实现 6G 边缘网络的公平、可解释和能效管理。我们的核心创新在于协同整合了两个关键机制:(i)一个因果感知表示学习模块,利用结构因果模型从高维网络数据中辨别不变因果关系,使智能体能够在环境非平稳性中做出稳健且可泛化的决策;以及(ii)一个信任驱动的聚合与激励机制,基于结合模型质量、行为声誉和任务相关性的多方面信任分数动态评估智能体贡献,以减轻拜占庭攻击和搭便车者的影响,从而确保公平协作和可持续参与。我们在模拟的 6G 超密集网络场景中严格评估了 CT-Fed MARL。大量实验表明,我们的框架显著优于最先进的 Fed-MARL 基线,实现了公平性(贾因指数)提升 32%,能耗降低 28%,模型可解释性增加 45%,同时在各种对抗条件下保持稳健性能。我们的发现强调了将因果性和信任整合到分布式学习中的巨大潜力,为真正实现自主、弹性和以人为本的 6G 边缘智能铺平了道路。