論文の概要: Leveraging Multi-Agent System (MAS) and Fine-Tuned Small Language Models (SLMs) for Automated Telecom Network Troubleshooting

• arxiv url: http://arxiv.org/abs/2511.00651v1
• Date: Sat, 01 Nov 2025 18:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.877398
• Title: Leveraging Multi-Agent System (MAS) and Fine-Tuned Small Language Models (SLMs) for Automated Telecom Network Troubleshooting
• Title（参考訳）: 通信ネットワーク自動トラブルシューティングのためのマルチエージェントシステム(MAS)と微調整小言語モデル(SLM)の活用
• Authors: Chenhua Shi, Bhavika Jalli, Gregor Macdonald, John Zou, Wanlu Lei, Mridul Jain, Joji Philip,
• Abstract要約: テレコムネットワークは、規模と複雑さが急速に増加し、効率的な管理、運用、最適化がますます困難になっている。 既存のモデルはスコープが狭く、大量のラベル付きデータを必要とし、異種デプロイメントを一般化するのに苦労することが多い。 本稿では,エージェントワークフローを利用するマルチエージェントシステム (MAS) を提案し,LLM(Large Language Models) が完全自動ネットワークトラブルシューティングのための特別なツールをコーディネートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Telecom networks are rapidly growing in scale and complexity, making effective management, operation, and optimization increasingly challenging. Although Artificial Intelligence (AI) has been applied to many telecom tasks, existing models are often narrow in scope, require large amounts of labeled data, and struggle to generalize across heterogeneous deployments. Consequently, network troubleshooting continues to rely heavily on Subject Matter Experts (SMEs) to manually correlate various data sources to identify root causes and corrective actions. To address these limitations, we propose a Multi-Agent System (MAS) that employs an agentic workflow, with Large Language Models (LLMs) coordinating multiple specialized tools for fully automated network troubleshooting. Once faults are detected by AI/ML-based monitors, the framework dynamically activates agents such as an orchestrator, solution planner, executor, data retriever, and root-cause analyzer to diagnose issues and recommend remediation strategies within a short time frame. A key component of this system is the solution planner, which generates appropriate remediation plans based on internal documentation. To enable this, we fine-tuned a Small Language Model (SLM) on proprietary troubleshooting documents to produce domain-grounded solution plans. Experimental results demonstrate that the proposed framework significantly accelerates troubleshooting automation across both Radio Access Network (RAN) and Core network domains.
• Abstract（参考訳）: テレコムネットワークは、規模と複雑さが急速に増加し、効率的な管理、運用、最適化がますます困難になっている。 人工知能(AI)は多くのテレコムタスクに応用されているが、既存のモデルはスコープが狭く、大量のラベル付きデータを必要とし、異種展開の一般化に苦慮している。 その結果、ネットワークトラブルシューティングは、様々なデータソースを手動で相関付け、根本原因と修正行動を特定するために、サブジェクト・マター・エキスパート(SME)に大きく依存し続けている。 これらの制約に対処するため,エージェントワークフローを用いたマルチエージェントシステム (MAS) を提案する。 AI/MLベースのモニターによって障害が検出されると、このフレームワークは、オーケストレータ、ソリューションプランナー、エグゼキュータ、データレトリバー、ルート原因アナライザなどのエージェントを動的に起動し、問題を診断し、短時間で修復戦略を推奨する。 このシステムの主要なコンポーネントはソリューションプランナであり、内部文書に基づいて適切な修正計画を生成する。 これを実現するために、ドメインベースソリューションプランを作成するために、プロプライエタリなトラブルシューティング文書について、Small Language Model (SLM) を微調整した。 実験の結果,提案フレームワークはRadio Access Network(RAN)およびCoreネットワークドメイン間のトラブルシューティング自動化を著しく促進することがわかった。

関連論文リスト

• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• OFCnetLLM: Large Language Model for Network Monitoring and Alertness [0.7379838047227086]
  本稿では,Large Language Models (LLM) を用いたネットワーク監視管理の革新について検討する。 我々はLSMを活用し、異常検出を強化し、根本原因分析を自動化し、インシデント分析を自動化し、AIを用いたよく監視されたネットワーク管理チームを構築する。 私たちのモデルはマルチエージェントアプローチとして開発され、現在も進化を続けており、早期の結果が得られています。
  論文  参考訳（メタデータ） (2025-07-30T14:22:42Z)
• TAMO: Fine-Grained Root Cause Analysis via Tool-Assisted LLM Agent with Multi-Modality Observation Data in Cloud-Native Systems [42.50432360919637]
  クラウドネイティブシステムにおける大規模言語モデル(LLM)による根本原因分析(RCA)は、現代のソフトウェア運用とメンテナンスにおいて重要なトピックとなっている。 既存のLLMベースのアプローチでは、マルチモード入力制約、コンテキストウィンドウ制限、動的依存グラフの3つの大きな課題に直面している。 細粒度RCA,すなわちTAMOのための多モード観測データを用いたツール支援LDMエージェントを提案する。
  論文  参考訳（メタデータ） (2025-04-29T06:50:48Z)
• Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
  マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。 本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。 大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
  論文  参考訳（メタデータ） (2024-10-03T04:07:51Z)
• Generative AI Agents with Large Language Model for Satellite Networks via a Mixture of Experts Transmission [74.10928850232717]
  本稿では、モデル定式化のための生成人工知能(AI)エージェントを開発し、送信戦略の設計に専門家(MoE)の混合を適用した。 具体的には,大規模言語モデル(LLM)を活用して対話型モデリングパラダイムを構築する。 定式化問題の解法として, MoE-proximal Policy Optimization (PPO) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-14T03:44:54Z)
• TOP-Former: A Multi-Agent Transformer Approach for the Team Orienteering Problem [47.40841984849682]
  車両群のためのルートプランニングは、荷物の配送、監視、輸送といった応用において重要な課題である。 ToP-Formerは、チームのオリエンテーリング問題を効率的に正確に解くために設計されたマルチエージェント経路計画ニューラルネットワークである。
  論文  参考訳（メタデータ） (2023-11-30T16:10:35Z)

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。