論文の概要: Adversarial Network Imagination: Causal LLMs and Digital Twins for Proactive Telecom Mitigation

• arxiv url: http://arxiv.org/abs/2602.13203v1
• Date: Fri, 09 Jan 2026 15:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 12:01:13.538039
• Title: Adversarial Network Imagination: Causal LLMs and Digital Twins for Proactive Telecom Mitigation
• Title（参考訳）: 対人ネットワークイマジネーション : アクティブテレコム対策のための因果LLMとディジタルツイン
• Authors: Vignesh Sriram, Yuqiao Meng, Luoxi Tang, Zhaohan Xi,
• Abstract要約: 本稿では,敵ネットワーク障害の生成,シミュレーション,評価を行うための逆ネットワークイマジネーションを提案する。 このフレームワークはCausal Large Language Model、Knowledge Graph、Digital Twinを統合している。 ネットワーク操作をリアクティブなトラブルシューティングから予測レジリエンス分析に移行する。
• 参考スコア（独自算出の注目度）: 3.914632811815449
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Telecommunication networks experience complex failures such as fiber cuts, traffic overloads, and cascading outages. Existing monitoring and digital twin systems are largely reactive, detecting failures only after service degradation occurs. We propose Adversarial Network Imagination, a closed-loop framework that integrates a Causal Large Language Model (LLM), a Knowledge Graph, and a Digital Twin to proactively generate, simulate, and evaluate adversarial network failures. The Causal LLM produces structured failure scenarios grounded in network dependencies encoded in the Knowledge Graph. These scenarios are executed within a Digital Twin to measure performance degradation and evaluate mitigation strategies. By iteratively refining scenarios based on simulation feedback, the framework shifts network operations from reactive troubleshooting toward anticipatory resilience analysis.
• Abstract（参考訳）: 通信ネットワークは、ファイバカット、トラフィックオーバーロード、カスケード障害などの複雑な障害を経験する。 既存の監視システムとデジタルツインシステムは概ね反応性があり、サービス劣化後にのみ障害を検出する。 本稿では,因果大言語モデル(LLM),知識グラフ,Digital Twinを統合するクローズドループフレームワークであるAdversarial Network Imaginationを提案する。 Causal LLMは、Knowledge Graphにエンコードされたネットワーク依存に基づいて、構造化された障害シナリオを生成する。 これらのシナリオはDigital Twin内で実行され、パフォーマンスの劣化を測定し、緩和戦略を評価する。 シミュレーションフィードバックに基づいてシナリオを反復的に洗練することにより、ネットワーク操作をリアクティブなトラブルシューティングから予測されたレジリエンス分析に移行する。

関連論文リスト

• Hierarchical Vision Language Action Model Using Success and Failure Demonstrations [60.82332413442677]
  階層型視覚-言語-アクションモデルであるVINEを導入し,高レベル推論を低レベル制御から分離する。 システム2は、2Dシーングラフの抽象化を介して、実現可能性誘導木探索を行う。 システム1はエージェントのコアスキルを変更することなく、低レベルのアクションを実行する。
  論文  参考訳（メタデータ） (2025-12-03T15:58:38Z)
• Network Sparsity Unlocks the Scaling Potential of Deep Reinforcement Learning [57.3885832382455]
  静的ネットワークの疎結合を単独で導入することで,最先端アーキテクチャの高密度化を超えて,さらなるスケーリング可能性を実現することができることを示す。 解析の結果,高密度DRLネットワークをネーティブにスケールアップするのとは対照的に,疎ネットワークは高いパラメータ効率とネットワーク表現性を両立させることがわかった。
  論文  参考訳（メタデータ） (2025-06-20T17:54:24Z)
• Simplifying Root Cause Analysis in Kubernetes with StateGraph and LLM [13.293736787442414]
  我々は根本原因分析のための革新的なツールであるSynergyRCAを紹介する。 SynergyRCAは、空間的および時間的関係をキャプチャするStateGraphを構築する。 約2分間の平均で根本原因を特定でき、約0.90の精度を達成できる。
  論文  参考訳（メタデータ） (2025-06-03T06:09:13Z)
• Digital versus Analog Transmissions for Federated Learning over Wireless Networks [91.20926827568053]
  資源制約付きネットワーク上での無線連合学習(FL)における2つの効果的な通信方式を比較した。 まず,デジタルとアナログの両方の伝送方式と,実用的制約下での統一的かつ公正な比較手法について検討する。 無線ネットワークにおけるFL性能評価のために,様々な不完全条件下での普遍収束解析を確立する。
  論文  参考訳（メタデータ） (2024-02-15T01:50:46Z)
• Digital Twin-Enhanced Deep Reinforcement Learning for Resource Management in Networks Slicing [46.65030115953947]
  本稿では,デジタルツインと強化学習エージェントからなるフレームワークを提案する。 具体的には、歴史的データとニューラルネットワークを用いて、実環境の状態変動則をシミュレートするデジタルツインモデルを構築することを提案する。 また、このフレームワークをオフラインで強化学習に拡張し、歴史的データのみに基づいたインテリジェントな意思決定にソリューションを利用できるようにします。
  論文  参考訳（メタデータ） (2023-11-28T15:25:14Z)
• Comprehensive Analysis of Network Robustness Evaluation Based on Convolutional Neural Networks with Spatial Pyramid Pooling [4.366824280429597]
  複雑なネットワークを理解し、最適化し、修復するための重要な側面である接続性の堅牢性は、伝統的にシミュレーションを通じて評価されてきた。 空間ピラミッドプールネットワーク(SPP-net)を用いた畳み込みニューラルネットワーク(CNN)モデルの設計により,これらの課題に対処する。 提案したCNNモデルは,全ての除去シナリオにおいて,攻撃曲線とロバストネスの両値の正確な評価を一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2023-08-10T09:54:22Z)
• Generalization and Estimation Error Bounds for Model-based Neural Networks [78.88759757988761]
  スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。 我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
  論文  参考訳（メタデータ） (2023-04-19T16:39:44Z)
• Federated Learning over Wireless Device-to-Device Networks: Algorithms and Convergence Analysis [46.76179091774633]
  本稿では,無線デバイス対デバイス(d2d)ネットワーク上でのフェデレーション学習(fl)について検討する。 まず、通信効率の良いDSGDアルゴリズムの汎用ディジタルおよびアナログ無線実装を紹介する。 第二に、凸性と接続性の仮定の下で、両実装に収束境界を提供する。
  論文  参考訳（メタデータ） (2021-01-29T17:42:26Z)
• Service Chain Composition with Failures in NFV Systems: A Game-Theoretic Perspective [20.179259105875474]
  最先端のネットワーク機能仮想化(NFV)システムでは、異なるネットワークサービス(NS)に対して、要求レイテンシが極端に低く、ネットワークの混雑を最小限に抑えながら効率的なサービスチェーンを構成することが重要な課題である。 本研究では, 異なるNSのサービスチェーン組成を, ほぼ最適遅延と最小混雑の両方でナッシュ平衡状態(NE)へ誘導する2つの効果的な分散スキームを提案する。
  論文  参考訳（メタデータ） (2020-08-01T07:58:14Z)

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。