論文の概要: SEAL: An Open, Auditable, and Fair Data Generation Framework for AI-Native 6G Networks

• arxiv url: http://arxiv.org/abs/2604.02128v1
• Date: Thu, 02 Apr 2026 15:03:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.869495
• Title: SEAL: An Open, Auditable, and Fair Data Generation Framework for AI-Native 6G Networks
• Title（参考訳）: SEAL: AI-Native 6Gネットワークのためのオープンで監査可能な、公正なデータ生成フレームワーク
• Authors: Sunder Ali Khowaja, Kapal Dev, Engin Zeydan, Madhusanka Liyanage,
• Abstract要約: 6Gネットワークは、動的リソース割り当て、予測保守、超信頼性の低い低レイテンシ通信を可能にすることで、通信業界を変革することを約束している。 しかし、6Gシステムのデプロイはデータ不足を招き、効率的なAIモデルのトレーニングを妨げる。 本稿では,SEAL(Synthetic Data Generation with Ethics Audit Loop)フレームワークを提案し,ERCD(Ethical and Regulatory Compliance by Design)モジュールとFL(Federated Learning)フィードバックシステムを用いてベースラインパイプラインを拡張した。
• 参考スコア（独自算出の注目度）: 17.028162341456373
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: AI-native 6G networks promise to transform the telecom industry by enabling dynamic resource allocation, predictive maintenance, and ultra-reliable low-latency communications across all layers, which are essential for applications such as smart cities, autonomous vehicles, and immersive XR. However, the deployment of 6G systems results in severe data scarcity, hindering the training of efficient AI models. Synthetic data generation is extensively used to fill this gap; however, it introduces challenges related to dataset bias, auditability, and compliance with regulatory frameworks. In this regard, we propose the Synthetic Data Generation with Ethics Audit Loop (SEAL) framework, which extends baseline modular pipelines with an Ethical and Regulatory Compliance by Design (ERCD) module and a Federated Learning (FL) feedback system. The ERCD integrates fairness, bias detection, and standardized audit trails for regulatory mapping, while the FL enables privacy-preserving calibration using aggregated insights from real testbeds to close the reality-simulation gap. Results show that the SEAL framework outperforms existing methods in terms of Frechet Inception Distance, equalized odds, and accuracy. These results validate the framework's ability to generate auditable and bias-mitigated synthetic data for responsible AI-native 6G development.
• Abstract（参考訳）: AIネイティブな6Gネットワークは、スマートシティや自動運転車、没入型XRといったアプリケーションに不可欠な、動的リソース割り当て、予測保守、すべての層にわたる超信頼性の高い低レイテンシ通信を可能にすることで、通信業界を変革することを約束している。 しかし、6Gシステムのデプロイはデータ不足を招き、効率的なAIモデルのトレーニングを妨げる。 合成データ生成はこのギャップを埋めるために広く使用されているが、データセットのバイアス、監査容易性、規制フレームワークへの準拠に関する課題が導入されている。 本稿では,SEAL(Synthetic Data Generation with Ethics Audit Loop)フレームワークを提案し,ERCD(Ethical and Regulatory Compliance by Design)モジュールとFL(Federated Learning)フィードバックシステムを用いて,ベースラインモジュールパイプラインを拡張した。 ERCDは公正性、バイアス検出、および規制マッピングのための標準化された監査パスを統合し、FLは実際のテストベッドからの集約された洞察を使用してプライバシー保護のキャリブレーションを可能にし、現実のシミュレーションギャップを埋める。 その結果,SEALフレームワークはFrechet Inception Distance,等化確率,精度で既存手法よりも優れていた。 これらの結果は、AIネイティブな6G開発に責任を負うために、聴覚的、偏見に富んだ合成データを生成するフレームワークの能力を検証する。

関連論文リスト

• 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)
• Knowledge-to-Data: LLM-Driven Synthesis of Structured Network Traffic for Testbed-Free IDS Evaluation [0.4893345190925178]
  本稿では,Large Language Models (LLMs) が構造化された合成ネットワークトラフィックデータセットを生成するための制御された知識データエンジンとして機能するかどうかを検討する。 本稿では,プロトコル文書,アタックセマンティクス,および明示的な統計的ルールを組み合わせた手法を提案する。 その結果、明示的な制約の下では、LLM生成データセットは実際のネットワークトラフィックの統計的および構造的特性を正確に近似することができることがわかった。
  論文  参考訳（メタデータ） (2026-01-08T15:31:33Z)
• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• Noise Resilient Over-The-Air Federated Learning In Heterogeneous Wireless Networks [2.2530496464901106]
  6G無線ネットワークでは、人工知能(AI)駆動のアプリケーションはフェデレートラーニング(FL)の採用を要求する。 従来のOTA-FL技術は、サーバにおけるAWGN(Additive White Gaussian Noise)と、エッジデバイスにおけるデータおよびシステム不均一性の両面から影響を受けている。 我々は,これらの課題に共同で取り組むために,新しいノイズ耐性オーバーザエアフェデレートラーニング(NoROTA-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-25T11:04:00Z)
• AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence [65.29835430845893]
  本稿では,AI-in-the-loopジョイントセンシングと通信によるエッジインテリジェンス向上のためのフレームワークを提案する。 私たちの研究の重要な貢献は、バリデーション損失とシステムのチューニング可能なパラメータとの間に明確な関係を確立することです。 提案手法は, 通信エネルギー消費を最大77%削減し, 試料数で測定した検知コストを最大52%削減する。
  論文  参考訳（メタデータ） (2025-02-14T14:56:58Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)

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。