論文の概要: MobiGPT: A Foundation Model for Mobile Wireless Networks

• arxiv url: http://arxiv.org/abs/2509.18166v1
• Date: Wed, 17 Sep 2025 08:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.442508
• Title: MobiGPT: A Foundation Model for Mobile Wireless Networks
• Title（参考訳）: MobiGPT:モバイル無線ネットワークの基礎モデル
• Authors: Xiaoqian Qi, Haoye Chai, Yong Li,
• Abstract要約: 将来のモバイルネットワークは、通勤、生産、日常生活、エンターテイメントのための膨大なサービスとリソースを提供する。 現在の予測パラダイムは、排他的なデータ型に適したモデルを備えたカスタマイズされた設計に依存している。 モバイルデータ予測のための基礎モデルであるMobiGPTを3種類のデータ型を予測可能な統一構造で設計する。
• 参考スコア（独自算出の注目度）: 7.221076520919785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid development of mobile communication technologies, future mobile networks will offer vast services and resources for commuting, production, daily life, and entertainment. Accurate and efficient forecasting of mobile data (e.g., cell traffic, user behavior, channel quality) helps operators monitor network state changes, orchestrate wireless resources, and schedule infrastructure and users, thereby improving supply efficiency and service quality. However, current forecasting paradigms rely on customized designs with tailored models for exclusive data types. Such approaches increase complexity and deployment costs under large-scale, heterogeneous networks involving base stations, users, and channels. In this paper, we design a foundation model for mobile data forecasting, MobiGPT, with a unified structure capable of forecasting three data types: base station traffic, user app usage, and channel quality. We propose a soft-prompt learning method to help the model understand features of different data types, and introduce a temporal masking mechanism to guide the model through three forecasting tasks: short-term prediction, long-term prediction, and distribution generation, supporting diverse optimization scenarios. Evaluations on real-world datasets with over 100,000 samples show that MobiGPT achieves accurate multi-type forecasting. Compared to existing models, it improves forecasting accuracy by 27.37%, 20.08%, and 7.27%, reflecting strong generalization. Moreover, MobiGPT exhibits superior zero/few-shot performance in unseen scenarios, with over 21.51% improvement, validating its strong transferability as a foundation model.
• Abstract（参考訳）: モバイル通信技術の急速な発展により、将来のモバイルネットワークは通勤、生産、日常生活、エンターテイメントのための膨大なサービスとリソースを提供する。 モバイルデータの正確かつ効率的な予測(セルトラフィック、ユーザ行動、チャネル品質など)は、オペレーターがネットワークの状態変化を監視し、無線リソースを編成し、インフラとユーザをスケジュールし、供給効率とサービス品質を改善するのに役立つ。 しかし、現在の予測パラダイムは、排他的なデータ型用に調整されたモデルを持つカスタマイズされた設計に依存している。 このようなアプローチは、基地局、ユーザ、チャネルを含む大規模で異質なネットワーク下での複雑さとデプロイメントコストを増大させる。 本稿では,モバイルデータ予測基盤モデルであるMobiGPTを設計し,基地局トラフィック,ユーザアプリ使用量,チャンネル品質の3つのデータタイプを予測可能な統一構造とした。 本研究では,モデルが異なるデータ型の特徴を理解するのに役立つソフト・プロンプト学習法を提案し,短期予測,長期予測,分布生成という3つの予測タスクを通じてモデルをガイドする時間的マスキング機構を導入し,多様な最適化シナリオをサポートする。 10万以上のサンプルを用いた実世界のデータセットの評価は、MobiGPTが正確なマルチタイプ予測を実現していることを示している。 既存のモデルと比較して、予測精度を27.37%、20.08%、7.27%改善し、強力な一般化を反映している。 さらにMobiGPTは、21.51%以上の改善を実現し、基盤モデルとしての強い転送可能性を検証するなど、目に見えないシナリオにおいて優れたゼロ/ファウショット性能を示す。

関連論文リスト

• A Wireless Foundation Model for Multi-Task Prediction [50.21098141769079]
  多様な予測区間をサポートする無線ネットワークにおけるマルチタスク予測のための統合基盤モデルを提案する。 大規模データセットをトレーニングした後、提案した基礎モデルは、新しいタスクにおいて、目に見えないシナリオとゼロショットのパフォーマンスに強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-07-08T12:37:55Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [51.41246396610475]
  本稿では,外部ツールを使わずにクローズドブック質問応答(QA)の性能を予測することを目的とする。 我々は、21の公開言語と3つのカスタムトレーニングされた大規模言語モデルの事前学習コーパスに対して、大規模な検索と意味解析を行う。 これらの基礎の上に構築されたSMI(Size-dependent Mutual Information)は,事前学習データの特徴を線形に相関させる情報理論の指標である。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• UoMo: A Universal Model of Mobile Traffic Forecasting for Wireless Network Optimization [5.562190792475747]
  モバイルトラフィック予測のための革新的なファンデーションモデル(FoMo)を提案する。 FoMoは、ネットワーク計画と最適化をサポートするために、複数の都市にまたがる短期・長期予測と分布生成の多様な予測タスクを処理することを目的としている。 FoMoは拡散モデルと変換器を組み合わせており、FoMoが様々なタスクの固有の特徴を学習できるようにするために様々な普遍性マスクが提案されている。
  論文  参考訳（メタデータ） (2024-10-20T07:32:16Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)

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。