論文の概要: Prompt-Driven Low-Altitude Edge Intelligence: Modular Agents and Generative Reasoning

• arxiv url: http://arxiv.org/abs/2602.14003v1
• Date: Sun, 15 Feb 2026 06:09:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.596087
• Title: Prompt-Driven Low-Altitude Edge Intelligence: Modular Agents and Generative Reasoning
• Title（参考訳）: プロンプト駆動低高度エッジインテリジェンス:モジュールエージェントと生成推論
• Authors: Jiahao You, Ziye Jia, Chao Dong, Qihui Wu,
• Abstract要約: 大規模人工知能モデル(LAM)は、知覚、推論、マルチモーダル理解において強力な能力を示す。 エッジでのLSMの展開は、いくつかの基本的な制限によって制限されている。 フレキシブルで効率的で適応的なエッジインテリジェンスを実現するために,P2AECF(Process-to-agent edge cognition framework)を提案する。
• 参考スコア（独自算出の注目度）: 20.552503613122067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The large artificial intelligence models (LAMs) show strong capabilities in perception, reasoning, and multi-modal understanding, and can enable advanced capabilities in low-altitude edge intelligence. However, the deployment of LAMs at the edge remains constrained by some fundamental limitations. First, tasks are rigidly tied to specific models, limiting the flexibility. Besides, the computational and memory demands of full-scale LAMs exceed the capacity of most edge devices. Moreover, the current inference pipelines are typically static, making it difficult to respond to real-time changes of tasks. To address these challenges, we propose a prompt-to-agent edge cognition framework (P2AECF), enabling the flexible, efficient, and adaptive edge intelligence. Specifically, P2AECF transforms high-level semantic prompts into executable reasoning workflows through three key mechanisms. First, the prompt-defined cognition parses task intent into abstract and model-agnostic representations. Second, the agent-based modular execution instantiates these tasks using lightweight and reusable cognitive agents dynamically selected based on current resource conditions. Third, the diffusion-controlled inference planning adaptively constructs and refines execution strategies by incorporating runtime feedback and system context. In addition, we illustrate the framework through a representative low-altitude intelligent network use case, showing its ability to deliver adaptive, modular, and scalable edge intelligence for real-time low-altitude aerial collaborations.
• Abstract（参考訳）: 大規模人工知能モデル(LAM)は、知覚、推論、マルチモーダル理解において強力な能力を示し、低高度エッジインテリジェンスにおいて高度な機能を実現する。 しかしながら、エッジでのLAMの展開は、いくつかの基本的な制限によって制限されている。 まず、タスクは特定のモデルに厳格に結び付けられ、柔軟性が制限されます。 さらに、フルスケールのAMの計算とメモリ要求は、ほとんどのエッジデバイスの容量を超える。 さらに、現在の推論パイプラインは一般的に静的であるため、タスクのリアルタイムな変更への対応が難しい。 これらの課題に対処するため、我々は、フレキシブルで効率的で適応的なエッジインテリジェンスを可能にするP2AECF(P2AECF)を提案する。 具体的には、P2AECFは高レベルのセマンティックプロンプトを3つのキーメカニズムを通じて実行可能な推論ワークフローに変換する。 第一に、素早い定義された認知はタスク意図を抽象的およびモデルに依存しない表現に解析する。 第2に、エージェントベースのモジュール実行は、現在のリソース条件に基づいて動的に選択された軽量で再利用可能な認知エージェントを使用して、これらのタスクをインスタンス化する。 第3に,拡散制御型推論計画では,実行時のフィードバックとシステムコンテキストを組み込むことで,実行戦略を適応的に構築・洗練する。 さらに、このフレームワークを代表的な低高度インテリジェントネットワークのユースケースを通じて説明し、リアルタイムの低高度空中コラボレーションのための適応性、モジュール性、スケーラブルなエッジインテリジェンスを提供する能力を示している。

関連論文リスト

• Adaptive and Resource-efficient Agentic AI Systems for Mobile and Embedded Devices: A Survey [11.537225726120495]
  ファンデーションモデルは、断片化されたアーキテクチャをマルチモーダル推論とコンテキスト適応を備えたスケーラブルなバックボーンに統一することで、AIを再構築した。 FMを認知のコアとして、エージェントは自律性、一般化、自己回帰を達成するためにルールベースの振る舞いを超越する。 この調査は、適応的でリソース効率の良いエージェントAIシステムの、最初の体系的な特徴を提供する。
  論文  参考訳（メタデータ） (2025-09-30T02:37:52Z)
• Agentic AI Reasoning for Mobile Edge General Intelligence: Fundamentals, Approaches, and Directions [74.35421055079655]
  大規模言語モデル(LLM)は、強力な推論と自律的な意思決定能力を備えたエージェント人工知能(AI)の出現を可能にした。 Mobile Edge General Intelligence (MEGI)は、リアルタイムでプライバシ保護の推論をネットワークエッジにもたらす。 本稿では,MEGIにおけるLLM推論の効率的な展開のための共同最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T10:53:48Z)
• Towards General Agentic Intelligence via Environment Scaling [78.66355092082253]
  高度なエージェントインテリジェンスは、現実世界のアプリケーションに大規模言語モデルをデプロイするための前提条件である。 完全にシミュレートされた異種環境を自動的に構築するスケーラブルなフレームワークを設計する。 エージェントベンチマーク, tau-bench, tau2-Bench, ACEBenchの実験により, トレーニングモデルである AgentScaler が, モデルの関数呼び出し能力を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-09-16T17:57:20Z)
• GoalfyMax: A Protocol-Driven Multi-Agent System for Intelligent Experience Entities [8.508965426627887]
  私たちは、エンドツーエンドのマルチエージェントコラボレーションのためのプロトコル駆動フレームワークであるGoalfyMaxを紹介します。 GoalfyMax が Model Context Protocol (MCP) 上に構築された標準化された Agent-to-Agent (A2A) 通信層を導入 Experience Pack(XP)アーキテクチャは、タスクの合理性と実行トレースの両方を保存する階層型メモリシステムである。
  論文  参考訳（メタデータ） (2025-07-13T05:13:52Z)
• A Theoretical Framework for Prompt Engineering: Approximating Smooth Functions with Transformer Prompts [33.284445296875916]
  本稿では, トランスフォーマーモデルに, 慎重に設計したプロンプトを付与することで, 計算システムとして機能できることを実証する公式なフレームワークを提案する。 我々は、$beta$-timesの微分可能関数に対する近似理論を確立し、適切に構造化されたプロンプトで導かれるとき、変換器が任意の精度でそのような関数を近似できることを証明した。 我々の発見は、自律的な推論と問題解決の可能性を強調し、エンジニアリングとAIエージェント設計のより堅牢で理論的に根ざした進歩の道を開いた。
  論文  参考訳（メタデータ） (2025-03-26T13:58:02Z)
• Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning [94.76546523689113]
  CodePlanは、テキストコード形式の計画を生成し、追跡するフレームワークで、高いレベルの構造化された推論プロセスの概要を擬似コードで示します。 CodePlanは、洗練された推論タスク固有のリッチなセマンティクスと制御フローを効果的にキャプチャする。 反応を直接生成するのに比べて25.1%の相対的な改善が達成されている。
  論文  参考訳（メタデータ） (2024-09-19T04:13:58Z)
• Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
  大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。 本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。 我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-09T07:45:26Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)

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。