論文の概要: Intent Assurance using LLMs guided by Intent Drift
- arxiv url: http://arxiv.org/abs/2402.00715v1
- Date: Thu, 1 Feb 2024 16:09:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 14:35:16.480070
- Title: Intent Assurance using LLMs guided by Intent Drift
- Title（参考訳）: 意図ドリフト誘導llmを用いた意図保証
- Authors: Kristina Dzeparoska, Ali Tizghadam, Alberto Leon-Garcia
- Abstract要約: Intent-Based Networking (IBN) は、意図とビジネス目標をネットワーク操作に自動的に整合させることを約束する。
本稿では,意図的ドリフトの発生を検知し,行動することができる保証フレームワークを定義する。
私たちは、Large Language Models (LLMs)によって生成されたAI駆動のポリシーを活用しています。
- 参考スコア（独自算出の注目度）: 5.438862991585019
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Intent-Based Networking (IBN) presents a paradigm shift for network
management, by promising to align intents and business objectives with network
operations--in an automated manner. However, its practical realization is
challenging: 1) processing intents, i.e., translate, decompose and identify the
logic to fulfill the intent, and 2) intent conformance, that is, considering
dynamic networks, the logic should be adequately adapted to assure intents. To
address the latter, intent assurance is tasked with continuous verification and
validation, including taking the necessary actions to align the operational and
target states. In this paper, we define an assurance framework that allows us
to detect and act when intent drift occurs. To do so, we leverage AI-driven
policies, generated by Large Language Models (LLMs) which can quickly learn the
necessary in-context requirements, and assist with the fulfillment and
assurance of intents.
- Abstract（参考訳）: Intent-Based Networking (IBN) は、意図やビジネス目標をネットワーク操作と自動的に整合させることを約束することで、ネットワーク管理のパラダイムシフトを示す。
しかし、実際的な実現は困難です。
1)処理意図,すなわち,意図を満たすための論理を翻訳し,分解し,識別する
2) インテント適合性,すなわち動的ネットワークを考えると,論理はインテントの確保に適切に適応すべきである。
後者に対処するため、インテント保証は、運用状態とターゲット状態を調整するために必要なアクションを含め、継続的な検証と検証を行う。
本稿では,意図的ドリフトの発生を検知し,行動することができる保証フレームワークを定義する。
そのために、Large Language Models(LLMs)が生成するAI駆動のポリシーを活用して、必要なインコンテキスト要件を迅速に学習し、インテントの実現と保証を支援する。
関連論文リスト
- Auto-Intent: Automated Intent Discovery and Self-Exploration for Large Language Model Web Agents [68.22496852535937]
本稿では,事前訓練された大規模言語モデル(LLM)を,直接微調整なしで対象ドメインのエージェントとして適用する手法であるAuto-Intentを紹介する。
提案手法はまず,対象領域の実証から意図を教師なしで発見する。
我々は、エージェントの過去の観察と行動から次の意図を予測するために、意図予測器を訓練する。
論文 参考訳（メタデータ） (2024-10-29T21:37:04Z) - Online Learning for Autonomous Management of Intent-based 6G Networks [39.135195293229444]
本稿では,階層型マルチアームバンディットアプローチに基づくオンライン学習手法を提案する。
提案アルゴリズムは,資源配分と意図的期待の満足度に関する効果的なアプローチであることを示す。
論文 参考訳（メタデータ） (2024-07-25T04:48:56Z) - Intent Profiling and Translation Through Emergent Communication [30.44616418991389]
インテントプロファイリングと翻訳のためのAIベースのフレームワークを提案する。
ネットワークと対話するアプリケーションがドメイン言語におけるネットワークサービスのニーズを表現するシナリオを考察する。
インテントプロファイリングのための創発的コミュニケーションに基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-05T07:02:43Z) - LLM-based policy generation for intent-based management of applications [8.938462415711674]
本稿では、ポリシーベースの抽象化を用いて必要なアクションを生成することにより、インテントを段階的に分解するパイプラインを提案する。
これにより、意図的なデプロイメントのためのクローズドコントロールループを作成することで、ポリシの実行を自動化することができます。
仮想ネットワーク機能のアプリケーションサービスチェーンを満足し、保証するためのユースケースで提案する。
論文 参考訳（メタデータ） (2024-01-22T15:37:04Z) - Understanding and Controlling a Maze-Solving Policy Network [44.19448448073822]
本研究は,迷路を目標正方形にナビゲートすることで,迷路を解決するための事前訓練された強化学習政策について検討する。
このネットワークは、複数のコンテキスト依存的な目標を追求し、これらの目標の1つに対応するネットワーク内の回路を特定する。
このネットワークには冗長で分散的で再ターゲティング可能な目標表現が含まれており、訓練された政策ネットワークにおけるゴール指向の性質に光を当てている。
論文 参考訳（メタデータ） (2023-10-12T05:33:54Z) - Slot Induction via Pre-trained Language Model Probing and Multi-level
Contrastive Learning [62.839109775887025]
トークンレベルのスロットアノテーションの明示的な知識なしでスロット境界を誘導することを目的としたスロットインジェクション(SI)タスク。
PLMから抽出した教師なし意味知識を活用するために、教師なし事前学習言語モデル(PLM)探索とコントラスト学習機構を活用することを提案する。
提案手法は,2つのNLUベンチマークデータセット上でトークンレベルの教師付きモデルとのギャップを埋めることができ,SIタスクに有効であることが示されている。
論文 参考訳（メタデータ） (2023-08-09T05:08:57Z) - Learning to Generate All Feasible Actions [4.333208181196761]
アクションマッピングは、学習プロセスを2つのステップに分割する新しいアプローチである。
本稿では、実現可能性モデルの自己教師型クエリにより、実現可能なすべてのアクションを生成することを学ぶことで、実現可能性部分に焦点を当てる。
エージェントが接続不能な実行可能なアクションセット間でアクションを生成する能力を示す。
論文 参考訳（メタデータ） (2023-01-26T23:15:51Z) - Discrete Factorial Representations as an Abstraction for Goal
Conditioned Reinforcement Learning [99.38163119531745]
離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。
分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
論文 参考訳（メタデータ） (2022-11-01T03:31:43Z) - Planning to Practice: Efficient Online Fine-Tuning by Composing Goals in
Latent Space [76.46113138484947]
汎用ロボットは、現実世界の非構造環境において困難なタスクを完了するために、多様な行動レパートリーを必要とする。
この問題に対処するため、目標条件強化学習は、コマンド上の幅広いタスクの目標に到達可能なポリシーを取得することを目的としている。
本研究では,長期的課題に対する目標条件付き政策を実践的に訓練する手法であるPlanning to Practiceを提案する。
論文 参考訳（メタデータ） (2022-05-17T06:58:17Z) - Lifelong Unsupervised Domain Adaptive Person Re-identification with
Coordinated Anti-forgetting and Adaptation [127.6168183074427]
本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。
これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。
我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
論文 参考訳（メタデータ） (2021-12-13T13:19:45Z) - Automatic Curriculum Learning through Value Disagreement [95.19299356298876]
新しい未解決タスクを継続的に解決することが、多様な行動を学ぶための鍵です。
エージェントが複数の目標を達成する必要があるマルチタスク領域では、トレーニング目標の選択はサンプル効率に大きな影響を与える可能性がある。
そこで我々は,エージェントが解決すべき目標のための自動カリキュラムを作成することを提案する。
提案手法は,13のマルチゴールロボットタスクと5つのナビゲーションタスクにまたがって評価し,現在の最先端手法よりも高い性能を示す。
論文 参考訳（メタデータ） (2020-06-17T03:58:25Z)
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。