論文の概要: Agoran: An Agentic Open Marketplace for 6G RAN Automation

• arxiv url: http://arxiv.org/abs/2508.09159v1
• Date: Tue, 05 Aug 2025 12:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.564768
• Title: Agoran: An Agentic Open Marketplace for 6G RAN Automation
• Title（参考訳）: Agoran: 6G RAN自動化のためのエージェント型オープンマーケットプレース
• Authors: Ilias Chatzistefanidis, Navid Nikaein, Andrea Leone, Ali Maatouk, Leandros Tassioulas, Roberto Morabito, Ioannis Pitsiorlas, Marios Kountouris,
• Abstract要約: Agoranはエージェント型のマーケットプレースで、利害関係者を直接運用ループに持ち込む。 古代ギリシアのアダラに触発され、アゴランは3つの自律的なAI部門に権限を分配した。 ライブデモが公開されています。
• 参考スコア（独自算出の注目度）: 10.656070798681819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next-generation mobile networks must reconcile the often-conflicting goals of multiple service owners. However, today's network slice controllers remain rigid, policy-bound, and unaware of the business context. We introduce Agoran Service and Resource Broker (SRB), an agentic marketplace that brings stakeholders directly into the operational loop. Inspired by the ancient Greek agora, Agoran distributes authority across three autonomous AI branches: a Legislative branch that answers compliance queries using retrieval-augmented Large Language Models (LLMs); an Executive branch that maintains real-time situational awareness through a watcher-updated vector database; and a Judicial branch that evaluates each agent message with a rule-based Trust Score, while arbitrating LLMs detect malicious behavior and apply real-time incentives to restore trust. Stakeholder-side Negotiation Agents and the SRB-side Mediator Agent negotiate feasible, Pareto-optimal offers produced by a multi-objective optimizer, reaching a consensus intent in a single round, which is then deployed to Open and AI RAN controllers. Deployed on a private 5G testbed and evaluated with realistic traces of vehicle mobility, Agoran achieved significant gains: (i) a 37% increase in throughput of eMBB slices, (ii) a 73% reduction in latency of URLLC slices, and concurrently (iii) an end-to-end 8.3% saving in PRB usage compared to a static baseline. An 1B-parameter Llama model, fine-tuned for five minutes on 100 GPT-4 dialogues, recovers approximately 80% of GPT-4.1's decision quality, while operating within 6 GiB of memory and converging in only 1.3 seconds. These results establish Agoran as a concrete, standards-aligned path toward ultra-flexible, stakeholder-centric 6G networks. A live demo is presented https://www.youtube.com/watch?v=h7vEyMu2f5w\&ab_channel=BubbleRAN.
• Abstract（参考訳）: 次世代のモバイルネットワークは、複数のサービスオーナの頻繁な目標を調整しなければならない。 しかし、今日のネットワークスライスコントローラは厳格であり、ポリシーに縛られ、ビジネスコンテキストに気付かないままです。 私たちはAgoran Service and Resource Broker (SRB)を紹介します。 古代ギリシアのアディラに触発されて、Agoranは3つの自律AIブランチに権限を分配する: 検索強化されたLarge Language Models(LLMs)を使用してコンプライアンスクエリに回答する立法部門、ウォッチラー更新ベクターデータベースを通じてリアルタイムの状況認識を維持する執行部門、ルールベースのTrust Scoreで各メッセージメッセージを評価する司法部門。 Stakeholder-side Negotiation AgentsとSRB-side Mediator Agentは交渉可能であり、Pareto-Optimalは多目的オプティマイザによって提供され、単一のラウンドでコンセンサスインテントに達し、OpenとAI RANコントローラにデプロイされる。 プライベートな5Gテストベッドに配備され、現実的な車両移動の痕跡で評価され、アゴランは大きな成果を上げました。 (i)eMBBスライス処理のスループットが37%向上した。 (ii)URLLCスライスにおけるレイテンシの73%削減と同時化 (iii)静的ベースラインに比べてPRB使用率が8.3%削減された。 1BパラメータのLlamaモデルは100 GPT-4の対話で5分間微調整され、GPT-4.1の判定品質の約80%を回復し、メモリ6GBで動作し、1.3秒で収束する。 これらの結果は、Agoranを、超フレキシブルな利害関係者中心の6Gネットワークへの、具体的な標準に準拠したパスとして確立する。 ライブデモはhttps://www.youtube.com/watch? v=h7vEyMu2f5w\&ab_ channel=BubbleRAN

関連論文リスト

• Hybrid Responsible AI-Stochastic Approach for SLA Compliance in Multivendor 6G Networks [1.8219577154655007]
  本稿では,ネットワーク制御ループに直接公平性,堅牢性,監査性を組み込むハイブリッド型AI確率学習フレームワークを提案する。 RAAPは、AI駆動の意思決定軌跡を継続的に記録し、ユーザレベルのSLAサマリーとオペレータレベルの責任分析を生成する。 合成2クラスマルチグループデータセットの実験的評価により、提案されたハイブリッドモデルは、最悪のグループの精度を最大10.5%向上させることが示された。
  論文  参考訳（メタデータ） (2026-02-10T14:45:59Z)
• Automating Supply Chain Disruption Monitoring via an Agentic AI Approach [49.77982322940809]
  我々は、自律的に監視し、分析し、拡張されたサプライネットワークにまたがる破壊に応答する、最小限の教師付きエージェントAIフレームワークを導入する。 F1スコアは0.962から0.991の間であり、破壊1回あたり0.0836ドルのコストで平均3.83分でエンドツーエンドの分析を行う。
  論文  参考訳（メタデータ） (2026-01-14T18:28:31Z)
• $α^3$-Bench: A Unified Benchmark of Safety, Robustness, and Efficiency for LLM-Based UAV Agents over 6G Networks [3.099103925863002]
  3ドルベンチは無人航空機の自律性を評価するためのベンチマークである。 各ミッションは、LLMベースのUAVエージェントと人間のオペレータ間の言語経由の制御ループとして定式化される。 UAVBenchシナリオに基づく113kの会話型UAVエピソードの大規模コーパスを構築した。 本稿では,タスクアウトカム,安全ポリシ,ツール一貫性,インタラクション品質,ネットワークロバストネス,通信コストの6つの柱を統合した3ドルの複合指標を提案する。
  論文  参考訳（メタデータ） (2026-01-01T12:07:06Z)
• RSAgent: Learning to Reason and Act for Text-Guided Segmentation via Multi-Turn Tool Invocations [52.752467948588816]
  エージェント型マルチモーダル大規模言語モデル(MLLM)であるRSAgentを提案する。 RSAgentはセグメンテーション・ツールボックスをクエリし、視覚的フィードバックを観察し、歴史的観測を用いて空間仮説を改訂し、ターゲットを再ローカライズし、反復的にマスクを洗練させる。 RSAgentはReasonSegテストで66.5% gIoUのゼロショット性能を達成し、Seg-Zero-7Bを9%改善し、RefCOCOgで81.5% cIoUに達した。
  論文  参考訳（メタデータ） (2025-12-30T06:50:11Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• ReSum: Unlocking Long-Horizon Search Intelligence via Context Summarization [86.57743637722596]
  LLM(Large Language Model)ベースのWebエージェントは、知識集約的なタスクに強いパフォーマンスを示す。 複数のエンティティ、絡み合った関係、不確実性の高い検索サイクルを含む複雑なクエリ。 本稿では,周期的文脈要約による不確定探索を可能にする新しいパラダイムであるReSumを紹介する。
  論文  参考訳（メタデータ） (2025-09-16T17:57:22Z)
• Leveraging AI Agents for Autonomous Networks: A Reference Architecture and Empirical Studies [18.534083337294188]
  この研究は、ジョゼフ・シファキス(Joseph Sifakis)のAN Agent参照アーキテクチャを機能認知システムに実装することで、アーキテクチャ理論と運用現実のギャップを埋める。 5G NR sub-6 GHz において,サブ10ms のリアルタイム制御を実演し,外ループリンク適応 (OLLA) アルゴリズムよりも6% 高いダウンリンクスループットを実現した。 これらの改善により、従来の自律的障壁を克服し、次世代の目標に向けて重要なL4エナリング能力を推し進めるアーキテクチャの生存性が確認される。
  論文  参考訳（メタデータ） (2025-09-10T06:24:57Z)
• AgentRAN: An Agentic AI Architecture for Autonomous Control of Open 6G Networks [14.358601770321235]
  我々は、自然言語(NL)の意図に基づいて分散AIエージェントのファブリックを生成し、オーケストレーションする、AIネイティブなオープンRAN対応フレームワークであるAgenRANを紹介する。 明示的なプログラミングを必要とする従来のアプローチとは異なり、AgentRANのLLMエージェントは自然言語の意図を解釈し、構造化された会話を通じて戦略を交渉し、ネットワーク全体の制御ループを編成する。 AI-RAN Factoryは、エージェントのインタラクションを観察し、改善された制御アルゴリズムを埋め込んだ新しいエージェントを継続的に生成する自動パイプラインである。
  論文  参考訳（メタデータ） (2025-08-25T08:18:10Z)
• MX-AI: Agentic Observability and Control Platform for Open and AI-RAN [4.100263510434292]
  我々は,5G Open RANテストベッドを実演する初のエンドツーエンドエージェントシステムMX-AIを紹介する。 50のリアルなオペレーショナルクエリでは、MX-AIの平均回答品質は4.1/5.0で、決定アクションの精度は100%である。 エージェントグラフ、プロンプト、評価ハーネスを公開して、AIネイティブRANのオープンな研究を加速します。
  論文  参考訳（メタデータ） (2025-08-08T12:15:47Z)
• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• Symbiotic Agents: A Novel Paradigm for Trustworthy AGI-driven Networks [2.5782420501870296]
  大規模言語モデル(LLM)に基づく自律エージェントは、6Gネットワークの進化において重要な役割を果たすことが期待されている。 我々は、LLMのリアルタイム最適化アルゴリズムをTrustworthy AIに組み合わせた新しいエージェントパラダイムを導入する。 本稿では,AGIネットワークのエンドツーエンドアーキテクチャを提案し,移動車からのチャネル変動をキャプチャする5Gテストベッド上で評価する。
  論文  参考訳（メタデータ） (2025-07-23T17:01:23Z)
• OpenAgentSafety: A Comprehensive Framework for Evaluating Real-World AI Agent Safety [58.201189860217724]
  OpenAgentSafetyは,8つの危機リスクカテゴリにまたがるエージェントの動作を評価する包括的なフレームワークである。 従来の作業とは異なり、我々のフレームワークは、Webブラウザ、コード実行環境、ファイルシステム、bashシェル、メッセージングプラットフォームなど、実際のツールと対話するエージェントを評価します。 ルールベースの分析とLSM-as-judgeアセスメントを組み合わせることで、過度な行動と微妙な不安全行動の両方を検出する。
  論文  参考訳（メタデータ） (2025-07-08T16:18:54Z)
• Upgrade or Switch: Do We Need a Next-Gen Trusted Architecture for the Internet of AI Agents? [12.116270471408216]
  新興のAIエージェントは、人間のスケールでリアクティブなインタラクション用に設計された既存のWebインフラストラクチャに挑戦する。 本稿では、既存のインフラをアップグレードするか、自律エージェントのための汎用インデックスアーキテクチャを実装するかを分析する。
  論文  参考訳（メタデータ） (2025-06-13T17:55:38Z)
• ARGOS: Anomaly Recognition and Guarding through O-RAN Sensing [3.018691733760647]
  ローグ基地局(RBS)の攻撃、特にダウングレード脆弱性を悪用した攻撃は、引き続き永続的な脅威である。 本研究は、近リアルタイムRIC内に展開された総合的なO-RAN準拠侵入検知システム(IDS)であるARGOSを紹介する。 ARGOSは、O-RANコンテキスト内で探索されていない領域であるRBSのダウングレード攻撃を、リアルタイムで検出する。
  論文  参考訳（メタデータ） (2025-06-07T20:32:23Z)
• AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
  AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。 テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。 アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
  論文  参考訳（メタデータ） (2025-04-29T17:36:05Z)
• SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
  SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。 提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。 我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
  論文  参考訳（メタデータ） (2025-03-11T17:53:02Z)
• Plan Better Amid Conservatism: Offline Multi-Agent Reinforcement Learning with Actor Rectification [74.10976684469435]
  オフライン強化学習(RL)アルゴリズムは、直接マルチエージェント設定に転送することができる。 本稿では,この重要な課題に対処するために,Actor Rectification (OMAR) を用いたオフラインマルチエージェント RL を提案する。 OMARはマルチエージェント連続制御ベンチマークにおける最先端性能と強いベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2021-11-22T13:27:42Z)

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。