論文の概要: Dual Mind World Model Inspired Network Digital Twin for Access Scheduling

• arxiv url: http://arxiv.org/abs/2602.04566v1
• Date: Wed, 04 Feb 2026 13:53:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.554068
• Title: Dual Mind World Model Inspired Network Digital Twin for Access Scheduling
• Title（参考訳）: デュアルマインドワールドモデルによるアクセススケジューリングのためのネットワークディジタルツイン
• Authors: Hrishikesh Dutta, Roberto Minerva, Noel Crespi,
• Abstract要約: 本稿では,Dual Mind World Model (DMWM) アーキテクチャにインスパイアされた新しいDigital Twin対応スケジューリングフレームワークを提案する。 従来のルールベースや純粋にデータ駆動のポリシーとは異なり、提案されたDMWMは短期水平予測計画とシンボリックモデルベースのロールアウトを組み合わせたものである。 以上の結果から, バースト, 干渉制限, 期限に敏感な環境において, DMWMは優れた性能を発揮することがわかった。
• 参考スコア（独自算出の注目度）: 0.904861150954008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emerging networked systems such as industrial IoT and real-time cyber-physical infrastructures demand intelligent scheduling strategies capable of adapting to dynamic traffic, deadlines, and interference constraints. In this work, we present a novel Digital Twin-enabled scheduling framework inspired by Dual Mind World Model (DMWM) architecture, for learning-informed and imagination-driven network control. Unlike conventional rule-based or purely data-driven policies, the proposed DMWM combines short-horizon predictive planning with symbolic model-based rollout, enabling the scheduler to anticipate future network states and adjust transmission decisions accordingly. We implement the framework in a configurable simulation testbed and benchmark its performance against traditional heuristics and reinforcement learning baselines under varied traffic conditions. Our results show that DMWM achieves superior performance in bursty, interference-limited, and deadline-sensitive environments, while maintaining interpretability and sample efficiency. The proposed design bridges the gap between network-level reasoning and low-overhead learning, marking a step toward scalable and adaptive NDT-based network optimization.
• Abstract（参考訳）: 産業用IoTやリアルタイムのサイバー物理インフラなどのネットワークシステムでは、動的トラフィック、期限、干渉制約に適応可能なインテリジェントなスケジューリング戦略が要求される。 本稿では,Dual Mind World Model(DMWM)アーキテクチャにインスパイアされた新しいDigital Twin対応スケジューリングフレームワークを提案する。 従来のルールベースや純粋にデータ駆動のポリシーとは異なり、提案されたDMWMは短期水平予測計画とシンボルモデルベースのロールアウトを組み合わせることで、スケジューラが将来のネットワーク状態を予測し、それに応じて送信決定を調整することができる。 我々は,このフレームワークを構成可能なシミュレーションテストベッドに実装し,交通条件の異なる従来のヒューリスティックや強化学習ベースラインに対して,その性能をベンチマークする。 以上の結果から,DMWMは,解釈性やサンプル効率を保ちながら,バースト,干渉制限,期限に敏感な環境において優れた性能を達成できることが示唆された。 提案した設計は、ネットワークレベルの推論と低オーバーヘッド学習のギャップを埋め、スケーラブルで適応的なNDTベースのネットワーク最適化への一歩となる。

関連論文リスト

• Dual-Mind World Models: A General Framework for Learning in Dynamic Wireless Networks [43.39205414684229]
  本稿では,mmWave V2Xネットワークのための新しい2次元世界モデルベース学習フレームワークを提案する。 認知心理学に触発されて提案されたデュアルミンド世界モデルは、パターン駆動型システム1コンポーネントと論理駆動型システム2コンポーネントを含んでいる。 シミュレーションの結果,提案した世界モデルはデータ効率を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-10-28T15:45:15Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• DMWM: Dual-Mind World Model with Long-Term Imagination [43.39205414684229]
  本稿では、論理的推論を統合し、論理的一貫性で想像力を発揮できる新しいデュアルミンド世界モデル(DMWM)を提案する。 提案するフレームワークは,DMControlスイートからの長期計画を必要とするベンチマークタスクに基づいて評価される。
  論文  参考訳（メタデータ） (2025-02-11T14:40:57Z)
• Reservoir computing for system identification and predictive control with limited data [3.1484174280822845]
  我々は、ベンチマーク制御システムの力学を学習し、モデル予測制御(MPC)の代理モデルとして機能するRNN変種の評価を行う。 エコー状態ネットワーク(ESN)は、計算複雑性の低減、より有効な予測時間、MPC目的関数のコスト削減など、競合するアーキテクチャよりも様々な利点がある。
  論文  参考訳（メタデータ） (2024-10-23T21:59:07Z)
• Intent-Aware DRL-Based NOMA Uplink Dynamic Scheduler for IIoT [30.146175299047325]
  産業用インターネット・オブ・モノのユーザ機器(IIoT UE)を意図的(QoS要求品質)とランダムなトラフィック到着で支援する問題について検討する。 利用可能な通信資源のスケジューリング方法を学ぶために,DRLに基づく時間周波数リソースの集中型動的スケジューラを提案する。
  論文  参考訳（メタデータ） (2024-03-27T08:57:15Z)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)
• Continual Adaptation for Deep Stereo [52.181067640300014]
  本稿では,難易度と変化の激しい環境に対処するために,深層ステレオネットワークの継続的適応パラダイムを提案する。 我々のパラダイムでは、オンラインモデルに継続的に適応するために必要な学習信号は、右から左への画像ワープや従来のステレオアルゴリズムによって自己監督から得られる。 我々のネットワークアーキテクチャと適応アルゴリズムは、初めてのリアルタイム自己適応型ディープステレオシステムを実現する。
  論文  参考訳（メタデータ） (2020-07-10T08:15:58Z)

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。