論文の概要: Interpretable Attention-Based Multi-Agent PPO for Latency Spike Resolution in 6G RAN Slicing

• arxiv url: http://arxiv.org/abs/2602.11076v1
• Date: Wed, 11 Feb 2026 17:44:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:02.259202
• Title: Interpretable Attention-Based Multi-Agent PPO for Latency Spike Resolution in 6G RAN Slicing
• Title（参考訳）: 6G RANスライシングにおける遅延スパイク分解能の解釈可能なアテンションベースマルチエージェントPPO
• Authors: Kavan Fatehi, Mostafa Rahmani Ghourtani, Amir Sonee, Poonam Yadav, Alessandra M Russo, Hamed Ahmadi, Radu Calinescu,
• Abstract要約: 6G無線アクセスネットワーク(RAN)は、異種スライスのための厳しいサービスレベル合意(SLA)を強制しなければならない。 従来の深部強化学習 (DRL) や説明可能なRL (XRL) では, 急激な遅延スパイクの診断と解決が困難である。 AE-MAPPOは6つの特別な注意機構を多エージェントスライス制御に統合し、それらをゼロコストで忠実な説明として表す。
• 参考スコア（独自算出の注目度）: 38.896521594022616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sixth-generation (6G) radio access networks (RANs) must enforce strict service-level agreements (SLAs) for heterogeneous slices, yet sudden latency spikes remain difficult to diagnose and resolve with conventional deep reinforcement learning (DRL) or explainable RL (XRL). We propose \emph{Attention-Enhanced Multi-Agent Proximal Policy Optimization (AE-MAPPO)}, which integrates six specialized attention mechanisms into multi-agent slice control and surfaces them as zero-cost, faithful explanations. The framework operates across O-RAN timescales with a three-phase strategy: predictive, reactive, and inter-slice optimization. A URLLC case study shows AE-MAPPO resolves a latency spike in $18$ms, restores latency to $0.98$ms with $99.9999\%$ reliability, and reduces troubleshooting time by $93\%$ while maintaining eMBB and mMTC continuity. These results confirm AE-MAPPO's ability to combine SLA compliance with inherent interpretability, enabling trustworthy and real-time automation for 6G RAN slicing.
• Abstract（参考訳）: 6世代 (6G) 無線アクセスネットワーク (RAN) は、異種スライスに対する厳しいサービスレベル合意 (SLA) を強制しなければならないが、突然の遅延スパイクは診断が困難であり、従来の深層強化学習 (DRL) や説明可能なRL (XRL) で解決する。 我々は,6つの特別な注意機構を多エージェントスライス制御に統合し,それらをゼロコストで忠実な説明として表わす,emph{Attention-Enhanced Multi-Agent Proximal Policy Optimization (AE-MAPPO)を提案する。 このフレームワークは、予測、リアクティブ、スライス間の最適化という3段階の戦略で、O-RANタイムスケールで運用されている。 URLLCケーススタディによると、AE-MAPPOは18$msのレイテンシスパイクを解決し、レイテンシを99.9999$%の信頼性で0.98$msに復元し、EMBBとmMTCの継続性を維持しながらトラブルシューティング時間を9,3\%削減する。 これらの結果は、AE-MAPPOがSLAコンプライアンスと固有の解釈可能性を組み合わせることで、6G RANスライシングの信頼性とリアルタイム自動化を可能にすることを確認した。

関連論文リスト

• LUT-Compiled Kolmogorov-Arnold Networks for Lightweight DoS Detection on IoT Edge Devices [20.271194684947282]
  Kolmogorov-Arnold Networks (KAN) は、MLP(Multi-Layer Perceptrons)に代わるコンパクトな代替品を提供する。 B-spline評価は、レイテンシクリティカルなIoTアプリケーションには適さない、大幅な計算オーバーヘッドをもたらす。 本稿では,高価なスプライン計算を事前計算した量子テーブルに置き換えるルックアップテーブル(LUT)コンパイルパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-01-12T22:32:18Z)
• Cross-Layer Isochronous Diffusion Protocol (CIDP): A Rigorous Information-Theoretic and Control-Theoretic Framework for Sovereign Tactical Anonymity [0.0]
  次世代戦術ネットワークは、重要な匿名トリレムマに直面している。 強い匿名性、低レイテンシ(イソクロニー)、低帯域オーバヘッドをグローバルな敵の下で同時に達成することは不可能である。 CIDPは、高速アンテナサイドローブ変調により物理層エントロピーを注入することで、このデッドロックを破る。
  論文  参考訳（メタデータ） (2025-12-09T16:55:00Z)
• Dyadic-Chaotic Lifting S-Boxes for Enhanced Physical-Layer Security within 6G Networks [1.5469452301122173]
  第6世代(6G)無線ネットワークは、何十億ものリソース制限されたデバイスと時間クリティカルなサービスを相互接続する。 物理層セキュリティ(PLS)は、軽量で情報理論的な保護を提供するために重要である。 PLSのための最初のカオスリフト置換箱(S-box)を紹介する。
  論文  参考訳（メタデータ） (2025-11-15T19:00:29Z)
• Multi-Agent Reinforcement Learning for Sample-Efficient Deep Neural Network Mapping [54.65536245955678]
  本稿では,サンプル非効率性の課題を克服するために,分散型マルチエージェント強化学習(MARL)フレームワークを提案する。 相関解析に基づいて類似のマッピングパラメータを同一エージェントに割り当てるエージェントクラスタリングアルゴリズムを提案する。 実験の結果,MARL法は標準単エージェントRLよりも30～300倍効率が向上した。
  論文  参考訳（メタデータ） (2025-07-22T05:51:07Z)
• Self-Regulation and Requesting Interventions [63.5863047447313]
  介入要求のための"helper"ポリシーをトレーニングするオフラインフレームワークを提案する。 PRMによる最適介入タイミングを判定し,これらのラベル付き軌道上でヘルパーモデルを訓練する。 このオフラインアプローチは、トレーニング中のコストのかかる介入コールを大幅に削減する。
  論文  参考訳（メタデータ） (2025-02-07T00:06:17Z)
• DASA: Delay-Adaptive Multi-Agent Stochastic Approximation [64.32538247395627]
  我々は,N$エージェントが並列に動作し,中央サーバと通信することで,一般的な近似問題を高速化することを目的とした設定を考える。 遅延とストラグラーの効果を軽減するために,マルチエージェント近似のための遅延適応アルゴリズムである textttDASA を提案する。
  論文  参考訳（メタデータ） (2024-03-25T22:49:56Z)

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。