論文の概要: Hybrid Responsible AI-Stochastic Approach for SLA Compliance in Multivendor 6G Networks

• arxiv url: http://arxiv.org/abs/2602.09841v1
• Date: Tue, 10 Feb 2026 14:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.602507
• Title: Hybrid Responsible AI-Stochastic Approach for SLA Compliance in Multivendor 6G Networks
• Title（参考訳）: マルチベンダ6GネットワークにおけるSLAコンプライアンスのためのハイブリッド応答型AI-確率的アプローチ
• Authors: Emanuel Figetakis, Ahmed Refaey Hussein,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.8219577154655007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The convergence of AI and 6G network automation introduces new challenges in maintaining transparency, fairness, and accountability across multivendor management systems. Although closed-loop AI orchestration improves adaptability and self-optimization, it also creates a responsibility gap, where violations of SLAs cannot be causally attributed to specific agents or vendors. This paper presents a hybrid responsible AI-stochastic learning framework that embeds fairness, robustness, and auditability directly into the network control loop. The framework integrates RAI games with stochastic optimization, enabling dynamic adversarial reweighting and probabilistic exploration across heterogeneous vendor domains. An RAAP continuously records AI-driven decision trajectories and produces dual accountability reports: user-level SLA summaries and operator-level responsibility analytics. Experimental evaluations on synthetic two-class multigroup datasets demonstrate that the proposed hybrid model improves the accuracy of the worst group by up to 10.5\%. Specifically, hybrid RAI achieved a WGAcc of 60.5\% and an AvgAcc of 72.7\%, outperforming traditional RAI-GA (50.0\%) and ERM (21.5\%). The audit mechanism successfully traced 99\% simulated SLA violations to the AI entities responsible, producing both vendor and agent-level accountability indices. These results confirm that the proposed hybrid approach enhances fairness and robustness as well as establishes a concrete accountability framework for autonomous SLA assurance in multivendor 6G networks.
• Abstract（参考訳）: AIと6Gネットワークの自動化の収束は、マルチベンダ管理システム間の透明性、公平性、説明責任を維持する上で、新たな課題をもたらす。 クローズループAIオーケストレーションは、適応性と自己最適化を改善するが、特定のエージェントやベンダによるSLA違反の因果関係がないように、責任ギャップも生み出す。 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。 このフレームワークはRAIゲームと確率的最適化を統合し、異種ベンダードメインをまたいだ動的逆方向の再重み付けと確率的探索を可能にする。 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要約とオペレータレベルの責任分析という、二重の説明責任レポートを生成する。 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により、最悪のグループの精度が最大10.5\%向上することが示された。 具体的には、ハイブリッドRAIは、WGAccが60.5\%、AvgAccが72.7\%、従来のRAI-GAが50.0\%、EMMが21.5\%であった。 監査メカニズムは、ベンダーレベルの説明責任指標とエージェントレベルの説明責任指標の両方を生成するAIエンティティに対して、99\%のSLA違反をうまく追跡した。 これらの結果は,提案手法が公正性とロバスト性を高めるとともに,マルチベンダ6Gネットワークにおける自律SLA保証のための具体的な説明可能性フレームワークを確立することを確認する。

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)
• An Agentic Framework with LLMs for Solving Complex Vehicle Routing Problems [66.60904891478687]
  複雑な車両ルーティング問題を解決するために,LLM (AFL) を用いたエージェントフレームワークを提案する。 AFLは生の入力から知識を直接抽出し、自己完結型コード生成を可能にする。 AFLは、コード信頼性とソリューション実現性の両方において、既存のLCMベースのベースラインを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2025-10-19T03:59:25Z)
• 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)
• OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
  OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。 我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。 我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
  論文  参考訳（メタデータ） (2025-08-07T17:54:15Z)
• Symbiotic Agents: A Novel Paradigm for Trustworthy AGI-driven Networks [1.5684305805304426]
  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)
• SEEA-R1: Tree-Structured Reinforcement Fine-Tuning for Self-Evolving Embodied Agents [58.174206358223415]
  自己進化型エボダイドエージェント(SeEA-R1)は、自己進化型エボダイドエージェント用に設計された最初の強化微細調整フレームワークである。 本研究は,SEEA-R1が自律適応と報酬駆動型自己進化をサポートすることを示す。
  論文  参考訳（メタデータ） (2025-06-26T18:00:07Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Closing the Responsibility Gap in AI-based Network Management: An Intelligent Audit System Approach [0.0]
  既存のネットワークパラダイムは、AI(Artificial Intelligence)ベースのネットワーク管理ツールを使用することで、ダウンタイムの低減と、より高いQuality of Experience(QoE)を実現している。 これらのAI管理ツールは、ネットワーク条件の変更に対する自動応答を可能にし、オペレータの運用コストを低減し、全体的なパフォーマンスを改善する。 AIベースの管理ツールを採用することでネットワーク全体のパフォーマンスが向上する一方で、人間の監督、プライバシー侵害、アルゴリズムバイアス、モデル不正確性といった課題も導入されている。
  論文  参考訳（メタデータ） (2025-02-08T15:30:25Z)
• Towards Bridging the FL Performance-Explainability Trade-Off: A Trustworthy 6G RAN Slicing Use-Case [0.5156484100374059]
  6Gネットワークスライシングには、効率的なリソース割り当てと説明可能な意思決定のための高性能なAIモデルが必要である。 本稿では,新しい説明誘導型インホック・フェデレーション・ラーニング(FL)手法を提案する。 我々は、いわゆる帰属に基づく信頼度測定によって、説明の忠実さを定量的に検証する。
  論文  参考訳（メタデータ） (2023-07-24T15:51:06Z)
• Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
  無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。 我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。 最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-09T09:30:23Z)

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。