論文の概要: An Explainable Failure Prediction Framework for Neural Networks in Radio Access Networks

• arxiv url: http://arxiv.org/abs/2602.13231v1
• Date: Wed, 28 Jan 2026 19:19:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 12:01:13.566407
• Title: An Explainable Failure Prediction Framework for Neural Networks in Radio Access Networks
• Title（参考訳）: 無線アクセスネットワークにおけるニューラルネットワークのための説明可能な故障予測フレームワーク
• Authors: Khaleda Papry, Francesco Spinnato, Marco Fiore, Mirco Nanni, Israat Haque,
• Abstract要約: 5Gネットワークは、高速、低レイテンシ、信頼性の高い通信を提供するために進化を続けている。 ミリ波周波数はギガビットのデータレートを可能にするが、環境要因の影響を受けやすく、しばしば無線リンク障害(RLF)を引き起こす。 この研究は、説明可能性に基づく機能プルーニングとモデルの改良を組み合わせたフレームワークを導入している。
• 参考スコア（独自算出の注目度）: 10.654909628583079
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As 5G networks continue to evolve to deliver high speed, low latency, and reliable communications, ensuring uninterrupted service has become increasingly critical. While millimeter wave (mmWave) frequencies enable gigabit data rates, they are highly susceptible to environmental factors, often leading to radio link failures (RLF). Predictive models leveraging radio and weather data have been proposed to address this issue; however, many operate as black boxes, offering limited transparency for operational deployment. This work bridges that gap by introducing a framework that combines explainability based feature pruning with model refinement. Our framework can be integrated into state of the art predictors such as GNN Transformer and LSTM based architectures for RLF prediction, enabling the development of accurate and explainability guided models in 5G networks. It provides insights into the contribution of input features and the decision making logic of neural networks, leading to lighter and more scalable models. When applied to RLF prediction, our framework unveils that weather data contributes minimally to the forecast in extensive real world datasets, which informs the design of a leaner model with 50 percent fewer parameters and improved F1 scores with respect to the state of the art solution. Ultimately, this work empowers network providers to evaluate and refine their neural network based prediction models for better interpretability, scalability, and performance.
• Abstract（参考訳）: 5Gネットワークは、高速、低レイテンシ、信頼性の高い通信を提供するために進化し続けており、不断のサービスを保証することがますます重要になっている。 ミリ波(mmWave)周波数はギガビットのデータレートを可能にするが、環境要因の影響を受けやすく、しばしば無線リンク障害(RLF)を引き起こす。 無線と気象データを利用した予測モデルはこの問題に対処するために提案されているが、多くはブラックボックスとして運用されており、運用展開の透明性が制限されている。 この作業は、説明可能性に基づく機能プルーニングとモデルリファインメントを組み合わせたフレームワークを導入することで、そのギャップを埋める。 我々のフレームワークは、GNN TransformerやLSTMベースのアーキテクチャのような最先端の予測器に統合され、5Gネットワークにおける正確な説明可能性モデルの開発が可能となる。 入力機能のコントリビューションとニューラルネットワークの意思決定ロジックに関する洞察を提供し、より軽量でスケーラブルなモデルを生み出す。 RLF予測に適用すると、我々のフレームワークは、気象データが広範囲な現実世界のデータセットの予測に最小限に寄与することを明らかにし、パラメータが50%少ないランダモデルの設計を通知し、最先端のソリューションに関してF1スコアを改善した。 この作業により、ネットワークプロバイダは、ニューラルネットワークベースの予測モデルを評価し、洗練して、より優れた解釈可能性、スケーラビリティ、パフォーマンスを実現することが可能になる。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Benchmarking Federated Learning for Throughput Prediction in 5G Live Streaming Applications [5.026196568145574]
  本稿では,現実的な5Gエッジシナリオにおけるスループット予測のためのフェデレーション学習戦略の総合的なベンチマークを行う。 FedBNは、非IID条件下で一貫してロバストな性能を提供する。 LSTMとTransformerモデルは、CNNベースのベースラインを最大80%のR2スコアで上回る。
  論文  参考訳（メタデータ） (2025-08-11T21:27:40Z)
• Improving Wi-Fi Network Performance Prediction with Deep Learning Models [0.9632663495317711]
  本研究では,Wi-Fiネットワークにおける通信路品質をフレーム配信率の観点から予測するために,機械学習技術を用いる。 予測は、実行時の通信パラメータを積極的に調整し、産業アプリケーションのためのネットワーク操作を最適化するために使用することができる。
  論文  参考訳（メタデータ） (2025-07-15T10:18:32Z)
• 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)
• Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis [8.805162150763847]
  本稿では,自己認識機構とリカレントニューラルネットワーク(RNN)に基づくオートエンコーダを統合する実験モデルを提案する。 本手法は, 時系列解析, プロセス・イン・フェイズ, および二次(I/Q)サンプルを用いて, ジャミング攻撃の可能性を示す不規則性を同定する。 モデルアーキテクチャは自己アテンション層で拡張され、RNNオートエンコーダの機能を拡張する。
  論文  参考訳（メタデータ） (2024-11-05T07:01:15Z)
• A Generalized Transformer-based Radio Link Failure Prediction Framework in 5G RANs [2.519319150166215]
  本稿では,グラフニューラルネットワーク(GNN)に基づく学習可能な気象効果集約モジュールを導入した新しいRLF予測フレームワークであるGenTrapを提案する。 我々は、GenTrapを260万のデータポイントを持つ2つの実世界のデータセットで評価し、GenTrapがF1スコア(農村では0.93、都市では0.79)を、そのデータセットよりもはるかに高く提供していることを示す。
  論文  参考訳（メタデータ） (2024-07-06T21:57:23Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
  トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。 動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。 我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:32:29Z)
• Switching in the Rain: Predictive Wireless x-haul Network Reconfiguration [17.891837432766764]
  無線x-haulネットワークは、超高速データレートと超低レイテンシをサポートするために、4Gおよび/または5Gベースステーション間のマイクロ波およびミリ波リンクに依存している。 降水は信号の減衰を引き起こし、ネットワーク性能を著しく低下させる。 本研究では,履歴データを用いた予測ネットワーク再構成フレームワークを開発し,各リンクの将来の状態を予測し,瞬時障害に備えてネットワークを前もって準備する。
  論文  参考訳（メタデータ） (2022-03-07T13:40:38Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)

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。