論文の概要: On-Device LLM for Context-Aware Wi-Fi Roaming
- arxiv url: http://arxiv.org/abs/2505.04174v2
- Date: Tue, 20 May 2025 04:45:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:52.161634
- Title: On-Device LLM for Context-Aware Wi-Fi Roaming
- Title（参考訳）: コンテキスト対応Wi-Fiローミング用オンデバイスLCM
- Authors: Ju-Hyung Lee, Yanqing Lu, Klaus Doppler,
- Abstract要約: 無線LAN(Wi-Fi)におけるローミングは、動的モバイル環境におけるシームレスな接続を維持する上で重要な課題である。
デバイス上での大規模言語モデル(LLM)の最初のクロス層利用について紹介する。
- 参考スコア（独自算出の注目度）: 4.8099196240978275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Roaming in Wireless LAN (Wi-Fi) is a critical yet challenging task for maintaining seamless connectivity in dynamic mobile environments. Conventional threshold-based or heuristic schemes often fail, leading to either sticky or excessive handovers. We introduce the first cross-layer use of an on-device large language model (LLM): high-level reasoning in the application layer that issues real-time actions executed in the PHY/MAC stack. The LLM addresses two tasks: (i) context-aware AP selection, where structured prompts fuse environmental cues (e.g., location, time) to choose the best BSSID; and (ii) dynamic threshold adjustment, where the model adaptively decides when to roam. To satisfy the tight latency and resource budgets of edge hardware, we apply a suite of optimizations-chain-of-thought prompting, parameter-efficient fine-tuning, and quantization. Experiments on indoor and outdoor datasets show that our approach surpasses legacy heuristics and DRL baselines, achieving a strong balance between roaming stability and signal quality. These findings underscore the promise of application-layer LLM reasoning for lower-layer wireless control in future edge systems.
- Abstract（参考訳）: 無線LAN(Wi-Fi)におけるローミングは、動的モバイル環境におけるシームレスな接続を維持する上で重要な課題である。
従来のしきい値に基づく、またはヒューリスティックなスキームは、しばしば失敗し、粘着性または過剰なハンドオーバに繋がる。
PHY/MACスタックで実行されたリアルタイムアクションを発行するアプリケーション層における高レベル推論である。
LLMは2つのタスクに対処する。
(i)構造化された環境条件(例えば、場所、時間)にベストなBSSIDを選択するよう促す文脈対応AP選択
(II)動的しきい値調整では、モデルがいつローミングするかを適応的に決定する。
エッジハードウェアの厳密なレイテンシとリソース予算を満たすため、最適化・チェーン・オブ・ソート・プロンプト、パラメータ効率の良い微調整、量子化を施した。
室内および屋外のデータセットの実験により、我々のアプローチはレガシーヒューリスティックスとDRLベースラインを超え、ローミング安定性と信号品質のバランスが強いことが示されている。
これらの結果は,将来のエッジシステムにおける低層無線制御におけるアプリケーション層LSM推論の可能性を裏付けるものである。
関連論文リスト
- Open-Source LLM-Driven Federated Transformer for Predictive IoV Management [1.8024397171920885]
Federated Prompt-d Traffic Transformer (FPoTT)は、オープンソースのLarge Language Modelsを利用して予測IoV管理を行う新しいフレームワークである。
FPoTTは動的プロンプト最適化機構を導入し、テキストプロンプトを反復的に洗練して軌道予測を強化する。
このアーキテクチャは、リアルタイム推論のための軽量エッジモデルと、グローバルインテリジェンスを維持するためのクラウドベースのLLMを組み合わせた、二重層フェデレーション学習パラダイムを採用している。
論文 参考訳（メタデータ） (2025-05-01T16:54:21Z) - Effective Feature Selection for Predicting Spreading Factor with ML in Large LoRaWAN-based Mobile IoT Networks [0.5749787074942512]
本稿では機械学習(ML)技術を用いたLoRaWANネットワークにおける拡散係数(SF)予測の課題に対処する。
大規模な公開データセットでMLモデルのパフォーマンスを評価し、主要なLoRaWAN機能で最高の機能を調べました。
RSSIとSNRの組み合わせは最高の機能セットとして同定された。
論文 参考訳（メタデータ） (2025-03-12T08:58:28Z) - WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。
本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-11-11T02:48:00Z) - DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation [58.62766376631344]
本稿では、無線通信ネットワークの異なる状態変化に対応するために、カスタマイズされた無線ネットワークインテント(WNI-G)モデルを提案する。
大規模シミュレーションにより、動的通信システムにおけるスペクトル効率と従来のDRLモデルの変動の安定性が向上する。
論文 参考訳（メタデータ） (2024-10-18T14:04:38Z) - WDMoE: Wireless Distributed Large Language Models with Mixture of Experts [65.57581050707738]
我々は,Mixture of Experts (MoE)に基づく無線分散大言語モデル(LLM)パラダイムを提案する。
我々は,基地局(BS)とモバイルデバイスにゲーティングネットワークと先行するニューラルネットワーク層を配置することにより,LLM内のMoE層を分解する。
我々は、モデルの性能とエンドツーエンドのレイテンシの両方を考慮して、専門家の選択ポリシーを設計する。
論文 参考訳（メタデータ） (2024-05-06T02:55:50Z) - Dynamic D2D-Assisted Federated Learning over O-RAN: Performance Analysis, MAC Scheduler, and Asymmetric User Selection [13.408764465010687]
現実世界の無線ネットワークは、無線チャンネルの容量と利用者の時間的変動に影響を受けやすい。
マルチグラニュラダイナミックス (MSD) をFLに組み込み, (M1) 個別無線チャネルを, $mathscrD$Events と呼ばれるイベントセットと (M2) ユーザの動的データセットによって構成する。
階層型デバイス・ツー・デバイス(D2D)支援モデルトレーニング,(ii)専用O-RAN MACスケジューラによる動的制御決定,(iii)非対称なユーザ選択を提案する。
論文 参考訳（メタデータ） (2024-04-09T14:03:04Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - Pervasive Machine Learning for Smart Radio Environments Enabled by
Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。
RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。
このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文 参考訳（メタデータ） (2022-05-08T06:21:33Z) - Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for
5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。
主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。
本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文 参考訳（メタデータ） (2022-01-13T15:20:45Z) - Deep Reinforcement Learning for Adaptive Network Slicing in 5G for
Intelligent Vehicular Systems and Smart Cities [19.723551683930776]
エッジコントローラ(EC)と協調したフォグノードのクラスタ(FN)に基づくネットワークスライシングモデルを開発する。
クラスタ内の各サービスリクエストに対して、ECは、どのFNがタスクを実行し、エッジでローカルにリクエストをサーブするか、あるいはタスクを拒否し、それをクラウドに参照するかを決定する。
本稿では,最適スライシングポリシーを適応的に学習する深層強化学習(DRL)ソリューションを提案する。
論文 参考訳（メタデータ） (2020-10-19T23:30:08Z)
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。