論文の概要: Self-Evolving Multi-Agent Network for Industrial IoT Predictive Maintenance
- arxiv url: http://arxiv.org/abs/2602.16738v1
- Date: Tue, 17 Feb 2026 22:45:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-20 15:21:28.257554
- Title: Self-Evolving Multi-Agent Network for Industrial IoT Predictive Maintenance
- Title（参考訳）: 産業用IoT予測保守のための自己進化型マルチエージェントネットワーク
- Authors: Rebin Saleh, Khanh Pham Dinh, Balázs Villányi, Truong-Son Hy,
- Abstract要約: 産業用IoT予測メンテナンスには、解釈可能性や過剰な計算リソースを犠牲にすることなく、リアルタイムな異常検出が可能なシステムが必要である。
従来のアプローチは、進化する運用条件に適応できない、静的でオフラインでトレーニングされたモデルに依存しています。
我々は、エッジ、フォッグ、クラウドの計算層に特殊なエージェントを分散する自己進化型階層型マルチエージェントシステムSEMASを紹介する。
- 参考スコア（独自算出の注目度）: 5.571627005866756
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industrial IoT predictive maintenance requires systems capable of real-time anomaly detection without sacrificing interpretability or demanding excessive computational resources. Traditional approaches rely on static, offline-trained models that cannot adapt to evolving operational conditions, while LLM-based monolithic systems demand prohibitive memory and latency, rendering them impractical for on-site edge deployment. We introduce SEMAS, a self-evolving hierarchical multi-agent system that distributes specialized agents across Edge, Fog, and Cloud computational tiers. Edge agents perform lightweight feature extraction and pre-filtering; Fog agents execute diversified ensemble detection with dynamic consensus voting; and Cloud agents continuously optimize system policies via Proximal Policy Optimization (PPO) while maintaining asynchronous, non-blocking inference. The framework incorporates LLM-based response generation for explainability and federated knowledge aggregation for adaptive policy distribution. This architecture enables resource-aware specialization without sacrificing real-time performance or model interpretability. Empirical evaluation on two industrial benchmarks (Boiler Emulator and Wind Turbine) demonstrates that SEMAS achieves superior anomaly detection performance with exceptional stability under adaptation, sustains prediction accuracy across evolving operational contexts, and delivers substantial latency improvements enabling genuine real-time deployment. Ablation studies confirm that PPO-driven policy evolution, consensus voting, and federated aggregation each contribute materially to system effectiveness. These findings indicate that resource-aware, self-evolving 1multi-agent coordination is essential for production-ready industrial IoT predictive maintenance under strict latency and explainability constraints.
- Abstract（参考訳）: 産業用IoT予測メンテナンスには、解釈可能性や過剰な計算リソースを犠牲にすることなく、リアルタイムな異常検出が可能なシステムが必要である。
従来のアプローチでは、進化する運用条件に適応できない静的でオフラインでトレーニングされたモデルに依存していたが、LLMベースのモノリシックシステムはメモリとレイテンシを禁止し、オンサイトのエッジデプロイメントでは実用的ではない。
我々は、エッジ、フォッグ、クラウドの計算層に特殊なエージェントを分散する自己進化型階層型マルチエージェントシステムSEMASを紹介する。
エッジエージェントは軽量な特徴抽出と事前フィルタリングを行い、Fogエージェントは動的コンセンサス投票による多様なアンサンブル検出を実行し、クラウドエージェントは非同期でノンブロッキング推論を維持しながら、PPO(Proximal Policy Optimization)を介してシステムのポリシを継続的に最適化する。
このフレームワークは、LCMベースの応答生成を説明可能性と適応ポリシー分布のための連合知識集約に組み込んでいる。
このアーキテクチャは、リアルタイムのパフォーマンスやモデルの解釈性を犠牲にすることなく、リソースを意識した特殊化を可能にする。
2つの産業ベンチマーク(Boiler EmulatorとWind turbine)における実証的な評価は、SEMASが適応時の異常な安定性で優れた異常検出性能を達成し、進化する運用状況における予測精度を維持でき、真のリアルタイム展開を可能にする実質的な遅延改善を提供することを示した。
アブレーション研究は、PPOが主導する政策の進化、コンセンサス投票、および連合集約が、それぞれがシステムの有効性に重要な貢献をすることを確認した。
これらの結果は、厳密なレイテンシと説明可能性の制約の下で、プロダクション対応の産業用IoT予測メンテナンスには、リソースを意識した、自己進化型の1マルチエージェント調整が不可欠であることを示している。
関連論文リスト
- AceGRPO: Adaptive Curriculum Enhanced Group Relative Policy Optimization for Autonomous Machine Learning Engineering [52.67783579040657]
AceGRPOは、エージェントの学習フロンティアにおけるタスクを優先順位付けして学習効率を最大化する機械学習システムである。
我々のトレーニングされたAce-30Bモデルは、MLE-Bench-Lite上で100%有効な応募率を実現し、プロプライエタリなフロンティアモデルの性能にアプローチし、より大きなオープンソースベースラインを上回ります。
論文 参考訳（メタデータ） (2026-02-08T10:55:03Z) - Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。
実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。
FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
論文 参考訳（メタデータ） (2026-02-01T05:54:59Z) - Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。
従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。
LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-25T12:47:25Z) - Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。
本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-22T12:59:48Z) - Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。
問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。
BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
論文 参考訳（メタデータ） (2025-12-20T12:06:13Z) - Hybrid Agentic AI and Multi-Agent Systems in Smart Manufacturing [0.0]
本稿では,複合エージェントAIとマルチエージェントフレームワークを,規範的メンテナンスユースケースに適用する。
提案するフレームワークは、認識層、前処理層、分析層、最適化層からなる階層アーキテクチャを採用している。
特殊エージェントは、スキーマ発見、インテリジェントな特徴分析、モデル選択、規範最適化を自律的に処理する。
最初の概念実証は、2つの工業生産データセットで検証される。
論文 参考訳（メタデータ） (2025-11-23T03:06:23Z) - 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) - Cloud-Device Collaborative Agents for Sequential Recommendation [36.05863003744828]
大規模言語モデル(LLM)は、強力な意味理解と柔軟な推論機能を備えたエージェントベースのレコメンデーションシステムを実現している。
LLMは強力なパーソナライズを提供するが、プライバシの懸念やリアルタイム信号へのアクセス制限、スケーラビリティのボトルネックに悩まされることが多い。
本稿では,2つのエージェントを駆使したシーケンシャルレコメンデーションのための新しいクラウド・デバイス協調フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-01T15:28:11Z) - Agentic Reinforced Policy Optimization [66.96989268893932]
検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。
現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。
エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
論文 参考訳（メタデータ） (2025-07-26T07:53:11Z) - Adaptive Stream Processing on Edge Devices through Active Inference [5.5676731834895765]
アクティブ推論(AIF)に基づく新しい機械学習パラダイムを提案する。
AIFは、脳が長期的サプライズを減らすために感覚情報を常に予測し、評価する方法を記述している。
本手法は意思決定の完全透明性を保証し,結果の解釈とトラブルシューティングを無力化する。
論文 参考訳（メタデータ） (2024-09-26T15:12:41Z) - OptScaler: A Collaborative Framework for Robust Autoscaling in the Cloud [10.97507717758812]
最適化モジュールを通じてプロアクティブおよびリアクティブモジュールを統合する,協調的な自動スケーリングフレームワークであるOpsScalerを提案する。
数値計算の結果,ワークロード予測モデルと協調フレームワークの優位性が示された。
論文 参考訳（メタデータ） (2023-10-26T04:38:48Z)
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。