論文の概要: Performance Comparison of IBN orchestration using LLM and SLMs

• arxiv url: http://arxiv.org/abs/2603.06647v1
• Date: Fri, 27 Feb 2026 12:08:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.477357
• Title: Performance Comparison of IBN orchestration using LLM and SLMs
• Title（参考訳）: LLMとSLMを用いたISNオーケストレーションの性能比較
• Authors: Wai Lwin Phone, Brahim El Boudani, Tasos Dagiuklas, Saptarshi Ghosh,
• Abstract要約: 本稿では,SLM と LLM の両方を用いた 5G および 6G IBN オーケストレーションのための新しいフレームワークを提案する。 どちらのモデルもBLEU、METEOR、ROUGE-Lといったメトリクスを用いて翻訳精度を評価する。 その結果,SLM は IBN ライフサイクル全体の完了速度を 20% 向上させることができることがわかった。
• 参考スコア（独自算出の注目度）: 4.257454809578971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The evolution of both 5G and 6G networks is driving the advancement of fully autonomous network management, placing Intent-Based Networking at the centre of this transformation. This paper introduces a novel framework for 5G and 6G IBN orchestration that leverages a stateful, hierarchical multi-agent architecture to achieve full automation using both SLMs and LLMs. Both models have been evaluated for translation accuracy using metrics such as BLEU, METEOR, and ROUGE-L, as well as computational complexity. Experimental results show that both models exhibit similar accuracy. However, result shows that SLMs can improve the overall completion speed of the IBN lifecycle by 20%.
• Abstract（参考訳）: 5Gネットワークと6Gネットワークの進化は、完全に自律的なネットワーク管理の進歩を推進し、Intent-Based Networkingをこの変革の中心に据えている。 本稿では、ステートフルで階層的なマルチエージェントアーキテクチャを活用し、SLMとLLMの両方を用いて完全な自動化を実現する5Gおよび6G IBNオーケストレーションのための新しいフレームワークを提案する。 どちらのモデルもBLEU、METEOR、ROUGE-Lといったメトリクスと計算複雑性を用いて翻訳精度を評価する。 実験結果から,両モデルに類似した精度が得られた。 しかし、その結果、SLMはISBライフサイクル全体の完了速度を20%改善できることがわかった。

関連論文リスト

• LLM-Guided Co-Training for Text Classification [51.59706902936793]
  本稿では,Large Language Models (LLMs) による新たな重み付き協調学習手法を提案する。 ラベルのないデータにLLMラベルをターゲットラベルとして使用し、複数のイテレーションで相互にトレーニングする2つのエンコーダのみベースのネットワークをコトレーニングします。 LLMによるガイダンスを戦略的に活用することにより,従来のSSL手法よりも大幅に性能が向上する。
  論文  参考訳（メタデータ） (2025-09-20T03:46:01Z)
• 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)
• Symbiotic Agents: A Novel Paradigm for Trustworthy AGI-driven Networks [1.5684305805304426]
  大規模言語モデル(LLM)に基づく自律エージェントは、6Gネットワークの進化において重要な役割を果たすことが期待されている。 我々は、LLMのリアルタイム最適化アルゴリズムをTrustworthy AIに組み合わせた新しいエージェントパラダイムを導入する。 本稿では,AGIネットワークのエンドツーエンドアーキテクチャを提案し,移動車からのチャネル変動をキャプチャする5Gテストベッド上で評価する。
  論文  参考訳（メタデータ） (2025-07-23T17:01:23Z)
• LLM2: Let Large Language Models Harness System 2 Reasoning [65.89293674479907]
  大規模言語モデル(LLM)は、無数のタスクにまたがって印象的な機能を示してきたが、時には望ましくない出力が得られる。 本稿では LLM とプロセスベースの検証器を組み合わせた新しいフレームワーク LLM2 を紹介する。 LLMs2は妥当な候補を生成するのに責任を持ち、検証者は望ましい出力と望ましくない出力を区別するためにタイムリーなプロセスベースのフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-12-29T06:32:36Z)
• Semantic Routing for Enhanced Performance of LLM-Assisted Intent-Based 5G Core Network Management and Orchestration [10.981422497762837]
  大規模言語モデル(LLM)は人工知能(AI)アプリケーションで急速に普及している。 本稿では,5Gコアネットワークの意図に基づく管理とオーケストレーションにおける性能向上を目的としたセマンティックルーティングを提案する。
  論文  参考訳（メタデータ） (2024-04-24T13:34:20Z)
• DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
  大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。 開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。 デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-27T12:26:07Z)
• NetLLM: Adapting Large Language Models for Networking [36.61572542761661]
  我々は,ネットワーク問題を解決するために低努力でLLMの強力な能力を活用するためのコヒーレントな設計を提供する最初のフレームワークであるNetLLMを紹介する。 具体的には、NetLLMはLLMにネットワーク上のマルチモーダルデータを効果的に処理し、タスク固有の回答を効率的に生成する権限を与える。
  論文  参考訳（メタデータ） (2024-02-04T04:21:34Z)

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。