論文の概要: An Explainable AI Framework for Dynamic Resource Management in Vehicular Network Slicing

• arxiv url: http://arxiv.org/abs/2506.11882v1
• Date: Fri, 13 Jun 2025 15:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.852537
• Title: An Explainable AI Framework for Dynamic Resource Management in Vehicular Network Slicing
• Title（参考訳）: ネットワークスライシングにおける動的資源管理のための説明可能なAIフレームワーク
• Authors: Haochen Sun, Yifan Liu, Ahmed Al-Tahmeesschi, Swarna Chetty, Syed Ali Raza Zaidi, Avishek Nag, Hamed Ahmadi,
• Abstract要約: 本稿では、車載ネットワークにおける動的ネットワークスライシングとリソース割り当てのための説明可能なDeep Reinforcement Learningフレームワークを提案する。 Shapley値とアテンションメカニズムを活用する機能ベースのアプローチを統合することで、強化学習エージェントの判断を解釈し、洗練する。
• 参考スコア（独自算出の注目度）: 8.69484991345861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective resource management and network slicing are essential to meet the diverse service demands of vehicular networks, including Enhanced Mobile Broadband (eMBB) and Ultra-Reliable and Low-Latency Communications (URLLC). This paper introduces an Explainable Deep Reinforcement Learning (XRL) framework for dynamic network slicing and resource allocation in vehicular networks, built upon a near-real-time RAN intelligent controller. By integrating a feature-based approach that leverages Shapley values and an attention mechanism, we interpret and refine the decisions of our reinforcementlearning agents, addressing key reliability challenges in vehicular communication systems. Simulation results demonstrate that our approach provides clear, real-time insights into the resource allocation process and achieves higher interpretability precision than a pure attention mechanism. Furthermore, the Quality of Service (QoS) satisfaction for URLLC services increased from 78.0% to 80.13%, while that for eMBB services improved from 71.44% to 73.21%.
• Abstract（参考訳）: 効率的な資源管理とネットワークスライシングは、拡張移動ブロードバンド(eMBB)やUltra-Reliable and Low-Latency Communications(URLLC)など、車両ネットワークの多様なサービス要求を満たすために不可欠である。 本稿では,車載ネットワークにおける動的ネットワークスライシングと資源配分を行うための説明可能な深層強化学習(XRL)フレームワークについて紹介する。 本研究は,Shapley値とアテンションメカニズムを活用する機能ベースのアプローチを統合することで,強化学習エージェントの判断を解釈・洗練し,車両通信システムにおける重要な信頼性課題に対処する。 シミュレーションの結果,本手法は資源配分プロセスに対するリアルタイムな洞察を提供し,純粋な注意機構よりも高い解釈可能性の精度を実現する。 さらに、URLLCサービスのQuality of Service(QoS)の満足度は78.0%から80.13%に向上し、eMBBサービスの満足度は71.44%から73.21%に向上した。

関連論文リスト

• Task-Oriented Semantic Communication in Large Multimodal Models-based Vehicle Networks [55.32199894495722]
  LMMに基づく車両用AIアシスタントLarge Language and Vision Assistant(LLaVA)について検討する。 計算要求を減らし、応答時間を短縮するため、LLaVAの画像スライシングを最適化し、ユーザにとって最も関心のある領域に選択的にフォーカスする。 交通シナリオに対する視覚質問応答(VQA)データセットを構築し,有効性を評価する。
  論文  参考訳（メタデータ） (2025-05-05T07:18:47Z)
• Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
  条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。 本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。 次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
  論文  参考訳（メタデータ） (2025-02-21T14:36:12Z)
• A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
  モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。 我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
  論文  参考訳（メタデータ） (2024-03-29T12:46:07Z)
• Towards Intelligent Network Management: Leveraging AI for Network Service Detection [0.0]
  本研究では,高度なネットワークトラフィック分類システムを構築するために機械学習手法を活用することに焦点を当てた。 我々は,様々なネットワークサービスタイプをリアルタイムに識別する,新しいデータ駆動型アプローチを提案する。 本システムは,ネットワークサービスを識別する際,顕著な精度を示す。
  論文  参考訳（メタデータ） (2023-10-14T16:06:11Z)
• Attention-based Open RAN Slice Management using Deep Reinforcement Learning [6.177038245239758]
  本稿では,O-RAN分散化モジュールと分散エージェント協調を利用した,革新的アテンションベースディープRL(ADRL)技術を提案する。 シミュレーションの結果,他のDRLベースライン法と比較してネットワーク性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-06-15T20:37:19Z)
• Towards Decentralized Predictive Quality of Service in Next-Generation Vehicular Networks [16.930875340427765]
  我々は、車両ネットワークに予測品質(PQoS)を実装するための強化学習エージェントを設計する。 我々のフレームワークは、低レイテンシと信頼性の制約の下で自動車データを送信するための最適な圧縮レベルを特定することができる。
  論文  参考訳（メタデータ） (2023-02-22T10:35:00Z)
• Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in O-RAN [11.464582983164991]
  新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。 O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。 本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-30T17:00:53Z)
• CLARA: A Constrained Reinforcement Learning Based Resource Allocation Framework for Network Slicing [19.990451009223573]
  ネットワークスライシングは,5Gおよび将来のネットワークにおける資源利用のための有望なソリューションとして提案されている。 モデルや隠れ構造を知らずにCMDP(Constrained Markov Decision Process)として問題を定式化する。 本稿では、制約付き強化LeArningに基づくリソース割当アルゴリズムであるCLARAを用いて、この問題を解決することを提案する。
  論文  参考訳（メタデータ） (2021-11-16T11:54:09Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
  このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。 ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
  論文  参考訳（メタデータ） (2021-07-01T06:32:49Z)

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。