論文の概要: CORE:Toward Ubiquitous 6G Intelligence Through Collaborative Orchestration of Large Language Model Agents Over Hierarchical Edge
- arxiv url: http://arxiv.org/abs/2601.21822v1
- Date: Thu, 29 Jan 2026 15:08:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.918143
- Title: CORE:Toward Ubiquitous 6G Intelligence Through Collaborative Orchestration of Large Language Model Agents Over Hierarchical Edge
- Title（参考訳）: CORE: 階層的エッジ上での大規模言語モデルエージェントの協調的オーケストレーションによるユビキタス6Gインテリジェンス
- Authors: Zitong Yu, Boquan Sun, Yang Li, Zheyan Qu, Xing Zhang,
- Abstract要約: Collaborative Orchestration Role at Edge (CORE)は、複数の大規模言語モデル(LLM)がモバイルデバイスとエッジサーバに分散される、協調的な学習システムである。
このシステムはリアルタイム認識、ダイナミックロールオーケストレーション、パイプライン並列実行を統合し、分散エージェント間の効率的かつ迅速なコラボレーションを容易にする。
- 参考スコア（独自算出の注目度）: 28.17507879390089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rapid advancements in sixth-generation (6G) networks and large language models (LLMs) have paved the way for ubiquitous intelligence, wherein seamless connectivity and distributed artificial intelligence (AI) have revolutionized various aspects of our lives.However, realizing this vision faces significant challenges owing to the fragmented and heterogeneous computing resources across hierarchical networks, which are insufficient for individual LLM agents to perform complex reasoning tasks.To address this issue, we propose Collaborative Orchestration Role at Edge (CORE), an innovative framework that employs a collaborative learning system in which multiple LLMs, each assigned a distinct functional role, are distributed across mobile devices and tiered edge servers. The system integrates three optimization modules, encompassing real-time perception,dynamic role orchestration, and pipeline-parallel execution, to facilitate efficient and rapid collaboration among distributed agents. Furthermore, we introduce a novel role affinity scheduling algorithm for dynamically orchestrating LLM role assignments across the hierarchical edge infrastructure, intelligently matching computational demands with available dispersed resources.Finally, comprehensive case studies and performance evaluations across various 6G application scenarios demonstrated the efficacy of CORE, revealing significant enhancements in the system efficiency and task completion rates. Building on these promising outcomes, we further validated the practical applicability of CORE by deploying it on a real-world edge-computing platform,that exhibits robust performance in operational environments.
- Abstract（参考訳）: 6世代(6G)ネットワークと大規模言語モデル(LLM)の急速な進歩はユビキタスインテリジェンス(ユビキタスインテリジェンス)の道を歩み、シームレスな接続性と分散人工知能(AI)が私たちの生活の様々な側面に革命をもたらした。しかしながら、このビジョンを実現するには、個々のLLMエージェントが複雑な推論タスクを実行するのに不十分な階層的ネットワーク間の断片化と異質なコンピューティングリソースのために、このビジョンは重大な課題に直面している。この問題に対処するために、複数のLLMがそれぞれ異なる機能的役割を割り当てた協調学習システム(Collaborative Orchestration Role at Edge, CORE)を採用する革新的なフレームワークである、Edge(CORE)を提案する。
このシステムは、リアルタイム認識、ダイナミックロールオーケストレーション、パイプライン並列実行を含む3つの最適化モジュールを統合し、分散エージェント間の効率的かつ迅速なコラボレーションを容易にする。
さらに、階層的なエッジインフラストラクチャをまたいだLLMロール割り当てを動的にオーケストレーションし、計算要求と利用可能な分散リソースをインテリジェントにマッチングする新しいロール親和性スケジューリングアルゴリズムを導入し、様々な6Gアプリケーションシナリオを対象とした総合的なケーススタディと性能評価を行い、COREの有効性を実証し、システム効率とタスク完了率の大幅な向上を明らかにした。
これらの有望な成果に基づいて、実世界のエッジコンピューティングプラットフォームにデプロイすることで、COREの実用性をさらに検証し、運用環境での堅牢なパフォーマンスを示す。
関連論文リスト
- ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - Agentic AI Reasoning for Mobile Edge General Intelligence: Fundamentals, Approaches, and Directions [74.35421055079655]
大規模言語モデル(LLM)は、強力な推論と自律的な意思決定能力を備えたエージェント人工知能(AI)の出現を可能にした。
Mobile Edge General Intelligence (MEGI)は、リアルタイムでプライバシ保護の推論をネットワークエッジにもたらす。
本稿では,MEGIにおけるLLM推論の効率的な展開のための共同最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-27T10:53:48Z) - LLM Enabled Multi-Agent System for 6G Networks: Framework and Method of Dual-Loop Edge-Terminal Collaboration [30.5296965737426]
6Gネットワークにおいて,デュアルループ端末-エッジ協調によるLLM対応マルチエージェントシステムのフレームワークと手法を提案する。
改善された課題計画能力とタスク実行効率は、6G支援型都市安全ガバナンスにおける事例研究を通じて検証される。
論文 参考訳（メタデータ） (2025-09-05T10:40:31Z) - Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。
経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。
推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
論文 参考訳（メタデータ） (2025-05-29T07:24:37Z) - Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。
LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。
クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2025-05-26T07:02:17Z) - An Autonomous Network Orchestration Framework Integrating Large Language Models with Continual Reinforcement Learning [13.3347292702828]
本稿では,SemCom対応SAGINのためのARC(Autonomous Reinforcement Coordination)というフレームワークを提案する。
ARCはオーケストレーションを2層に分割し、LLMを高レベルの計画に、RLエージェントを低レベルの意思決定に利用している。
論文 参考訳（メタデータ） (2025-02-22T11:53:34Z) - C-3PO: Compact Plug-and-Play Proxy Optimization to Achieve Human-like Retrieval-Augmented Generation [13.120930059424975]
C-3POは、レトリバーと大規模言語モデル間の通信を容易にするプロキシ中心のフレームワークである。
我々のフレームワークは、RAGパイプライン全体を協調的に最適化する3つの特殊エージェントを実装している。
論文 参考訳（メタデータ） (2025-02-10T07:04:32Z) - Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless
Cellular Networks [82.02891936174221]
複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。
本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T18:24:47Z) - Distributed Resource Scheduling for Large-Scale MEC Systems: A
Multi-Agent Ensemble Deep Reinforcement Learning with Imitation Acceleration [44.40722828581203]
本稿では,各MECサーバにデプロイされた各エージェントのグローバル情報と分散意思決定に依存する集中型トレーニングを含む分散インテリジェントリソーススケジューリング(DIRS)フレームワークを提案する。
まず,マルチエージェント・アンサンブルを用いた分散強化学習(DRL)アーキテクチャを導入し,各エージェントの全体的なニューラルネットワーク構造を簡素化する。
第2に,提案したDIRSフレームワークの探索能力を高めるために,新しいL'evyフライトサーチにより,最適に近い状態対が得られた。
論文 参考訳（メタデータ） (2020-05-21T20:04:40Z)
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。