論文の概要: Utility Function is All You Need: LLM-based Congestion Control
- arxiv url: http://arxiv.org/abs/2603.10357v1
- Date: Wed, 11 Mar 2026 03:11:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-12 16:22:32.757184
- Title: Utility Function is All You Need: LLM-based Congestion Control
- Title（参考訳）: ユーティリティ関数は必要なもの - LLMベースの混雑制御
- Authors: Neta Rozen-Schiff, Liron Schiff, Stefan Schmid,
- Abstract要約: 混雑制御プロトコルにより、ネットワークアプリケーションは、その性能とネットワーク利用を最適化する方法で送信率を調整できる。
本稿では,大規模言語モデルのコード生成機能を活用して,混雑制御ユーティリティ関数を設計するフレームワークであるGenCCを提案する。
以上の結果から,ジェネレーティブコード進化戦略と数式チェーン・オブ・シント(CoT)によって導かれるLCMは,そのシナリオに応じて,最先端の渋滞制御プロトコルを37%～142%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）: 4.751031084775429
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Congestion is a critical and challenging problem in communication networks. Congestion control protocols allow network applications to tune their sending rate in a way that optimizes their performance and the network utilization. In the common distributed setting, the applications cannot collaborate with each other directly but instead obtain similar estimations about the state of the network using latency and loss measurements. These measurements can be fed into analytical functions, referred to by utility functions, whose gradients help each and all distributed senders to converge to a desired state. The above process becomes extremely complicated when each application has different optimization goals and requirements. Crafting these utilization functions has been a research subject for over a decade, with small incremental changes requiring rigorous mathematical analysis as well as real-world experiments. In this work, we present GenCC, a framework leveraging the code generation capabilities of large language models (LLMs) coupled with realistic network testbed, to design congestion control utility functions. Using GenCC, we analyze the impact of different guidance strategies on the performance of the generated protocols, considering application-specific requirements and network capacity. Our results show that LLMs, guided by either a generative code evolution strategy or mathematical chain-of-thought (CoT), can obtain close to optimal results, improving state-of-the-art congestion control protocols by 37%-142%, depending on the scenario.
- Abstract（参考訳）: 渋滞は通信ネットワークにおいて重要かつ困難な問題である。
混雑制御プロトコルにより、ネットワークアプリケーションは、その性能とネットワーク利用を最適化する方法で送信率を調整できる。
共通の分散環境では、アプリケーションは互いに直接協調することができないが、レイテンシと損失の測定を使用して、ネットワークの状態に関する同様の推定値を得る。
これらの測定値は、ユーティリティ関数によって参照される解析関数に入力され、その勾配は各分散送信者が所望の状態に収束するのに役立ちます。
各アプリケーションが最適化の目標と要求が異なる場合、上記のプロセスは非常に複雑になります。
これらの利用関数の構築は10年以上の研究課題であり、厳密な数学的分析と実世界の実験を必要とする小さな漸進的な変化がある。
本稿では,大規模言語モデル(LLM)のコード生成機能と現実的なネットワークテストベッドを組み合わせたフレームワークであるGenCCについて述べる。
GenCCを用いて、アプリケーション固有の要件とネットワーク容量を考慮して、異なるガイダンス戦略が生成されたプロトコルの性能に与える影響を分析する。
以上の結果から,ジェネレーティブコード進化戦略と数式チェーン・オブ・シント(CoT)によって導かれるLCMは,そのシナリオに応じて,最先端の渋滞制御プロトコルを37%～142%向上させることができることがわかった。
関連論文リスト
- ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - A Comprehensive Protocol Stack for Quantum Networks with a Global Entanglement Module [1.1648648796144156]
本稿では, 絡み合い資源の一貫したネットワークワイドビューを維持するGlobal Entanglement Module (GEM)を提案する。
絡み合い分布計画のリアルタイム適応実行を可能にすることで、GEMは静的計画と動的操作のギャップを埋める。
軽量スコアリングベースの戦略は,グローバルに最適だが適応しない固定木ベースラインよりも,絡み合いの発生率を約20%向上する。
論文 参考訳（メタデータ） (2025-09-20T21:39:25Z) - Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。
バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
論文 参考訳（メタデータ） (2025-08-21T02:46:46Z) - Graph Based Deep Reinforcement Learning Aided by Transformers for Multi-Agent Cooperation [2.8169258551959544]
本稿では、グラフニューラルネットワーク(GNN)、深層強化学習(DRL)、マルチエージェント協調と集合タスク実行の強化のためのトランスフォーマーベースのメカニズムを統合する新しいフレームワークを提案する。
提案手法はGNNを用いて,適応グラフ構築によるエージェントエージェントとエージェントゴールの相互作用をモデル化し,制約付き通信下での効率的な情報集約と意思決定を可能にする。
論文 参考訳（メタデータ） (2025-04-11T01:46:18Z) - CST: Calibration Side-Tuning for Parameter and Memory Efficient Transfer
Learning [4.776619551860301]
本稿では,サイドチューニングと呼ばれる軽量な微調整戦略を提案する。
アダプタチューニングとサイドチューニングの側面を取り入れて、ResNetで使用するトランスフォーマーで成功したテクニックを適応させる。
本稿は、複数の微調整戦略の分析を行い、ResNet内でそれらのアプリケーションを実装した。
論文 参考訳（メタデータ） (2024-02-20T06:01:31Z) - On the Computation-Communication Trade-Off with A Flexible Gradient
Tracking Approach [6.877328172726638]
本稿では,ネットワーク上の分散最適化問題の解法として,調整可能な計算と通信ステップを用いた柔軟な勾配追従手法を提案する。
我々は、滑らかで凸な目的関数上で任意の精度を達成するために、計算と通信の複雑さの両方を導出する。
論文 参考訳（メタデータ） (2023-06-12T14:46:21Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳（メタデータ） (2023-02-02T18:27:20Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳（メタデータ） (2023-01-20T17:06:34Z) - Deep Learning-based Resource Allocation For Device-to-Device
Communication [66.74874646973593]
デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。
任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。
シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
論文 参考訳（メタデータ） (2020-11-25T14:19:23Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳（メタデータ） (2020-10-06T16:51:09Z)
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。