論文の概要: MILD: Multi-Intent Learning and Disambiguation for Proactive Failure Prediction in Intent-based Networking

• arxiv url: http://arxiv.org/abs/2602.14283v1
• Date: Sun, 15 Feb 2026 19:15:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:49.935182
• Title: MILD: Multi-Intent Learning and Disambiguation for Proactive Failure Prediction in Intent-based Networking
• Title（参考訳）: MILD: Intent-based Networkingにおける確率的故障予測のためのマルチインテント学習と曖昧化
• Authors: Md. Kamrul Hossain, Walid Aljoby,
• Abstract要約: マルチインテントインテントベースのネットワークでは、複数のインテントがシンプレクティックな劣化を示すコドリフトを単一障害が引き起こすことがある。 反応ドリフト検出から固定水平故障予測への意図保証を再構築するプロアクティブフレームワークであるMILDを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multi-intent intent-based networks, a single fault can trigger co-drift where multiple intents exhibit symptomatic KPI degradation, creating ambiguity about the true root-cause intent. We present MILD, a proactive framework that reformulates intent assurance from reactive drift detection to fixed-horizon failure prediction with intent-level disambiguation. MILD uses a teacher-augmented Mixture-of-Experts where a gated disambiguation module identifies the root-cause intent while per-intent heads output calibrated risk scores. On a benchmark with non-linear failures and co-drifts, MILD provides 3.8\%--92.5\% longer remediation lead time and improves intent-level root-cause disambiguation accuracy by 9.4\%--45.8\% over baselines. MILD also provides per-alert KPI explanations, enabling actionable diagnosis.
• Abstract（参考訳）: マルチインテントインテントベースのネットワークでは、単一のフォールトがコドリフトをトリガーし、複数のインテントがシンプトティックKPI劣化を示し、真の根本原因インテントの曖昧さを生じさせる。 反応ドリフト検出から意図レベルの曖昧さを伴う固定水平故障予測まで,意図の保証を再構築するプロアクティブフレームワークであるMILDを提案する。 MILDは教師強化されたMixture-of-Expertsを使用しており、ゲートの曖昧なモジュールがルート原因の意図を識別し、インテントの頭当たりの校正リスクスコアが出力される。 非線形障害と共ドリフトのベンチマークでは、MILDは3.8\%--92.5\%長い修復リード時間を提供し、ベースライン上の9.4\%--45.8\%でインテントレベルの根起因の曖昧さの精度を改善する。 MILDはまた、アラート毎のKPI説明を提供し、実用的な診断を可能にする。

関連論文リスト

• LEAD-Drift: Real-time and Explainable Intent Drift Detection by Learning a Data-Driven Risk Score [0.0]
  インテントドリフト(Intent drift)とは、ネットワークが意図した目標から逸脱し、しばしばサイレントな失敗に繋がる場所である。 本稿では,意図的ドリフトをリアルタイムで検出し,アクティブな障害防止を実現するフレームワークであるLEAD-Driftを提案する。 我々の評価では、LEAD-Driftは警告をかなり早く提供し、平均リード時間を7.3分改善している。
  論文  参考訳（メタデータ） (2026-02-14T08:46:12Z)
• SPAN: Continuous Modeling of Suspicion Progression for Temporal Intention Localization [26.07264704956791]
  本稿では,個別分類から連続回帰へ移行するSuspicion Progression Analysis Network (SPAN)を提案する。 SPANは低周波のケースでは2.74%のmAPゲインを達成し、微妙な行動変化を捉える優れた能力を示している。
  論文  参考訳（メタデータ） (2025-10-23T04:20:07Z)
• Dual-Stage Reweighted MoE for Long-Tailed Egocentric Mistake Detection [85.0189917888094]
  本稿では,微妙で頻繁なミスによって生じる課題に対処するため,Dual-Stage Reweighted Mixture-of-Experts (DR-MoE) フレームワークを提案する。 提案手法は,特に稀かつ曖昧な誤りの特定において,高い性能を達成する。
  論文  参考訳（メタデータ） (2025-09-16T12:00:42Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Generative multitask learning mitigates target-causing confounding [61.21582323566118]
  マルチタスク学習のための因果表現学習のためのシンプルでスケーラブルなアプローチを提案する。 改善は、目標を狙うが入力はしない、観測されていない共同ファウンダーを緩和することによる。 人の属性とタスクノミーのデータセットに対する我々の結果は、事前の確率シフトに対するロバストネスの概念的改善を反映している。
  論文  参考訳（メタデータ） (2022-02-08T20:42:14Z)
• Generalized Zero-shot Intent Detection via Commonsense Knowledge [5.398580049917152]
  学習データ不足の問題を克服するために,教師なしの方法でコモンセンス知識を活用する意図検出モデル RIDE を提案する。 RIDEは、発話と意図ラベルの間の深い意味的関係をキャプチャする、堅牢で一般化可能な関係メタ機能を計算する。 広範に使用されている3つのインテント検出ベンチマークに関する広範囲な実験的分析により、関係メタ機能により、目に見えないインテントと見えないインテントの両方を検出する精度が著しく向上することが示された。
  論文  参考訳（メタデータ） (2021-02-04T23:36:41Z)
• Learning Disentangled Intent Representations for Zero-shot Intent Detection [13.19024497857648]
  DIR(Disentangled Representations)を学習するために、見知らぬクラスラベルを利用するクラス変換フレームワークを提案する。 本枠組みでは,意図の区別をモデルが学習することを奨励するマルチタスク学習の目標を提案する。 2つの実世界のデータセットの実験は、提案されたフレームワークがベースラインシステムに一貫した改善をもたらすことを示している。
  論文  参考訳（メタデータ） (2020-12-03T06:41:09Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)

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。