論文の概要: Towards Trustworthy 6G Network Digital Twins: A Framework for Validating Counterfactual What-If Analysis in Edge Computing Resources

• arxiv url: http://arxiv.org/abs/2604.14787v1
• Date: Thu, 16 Apr 2026 08:49:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.812352
• Title: Towards Trustworthy 6G Network Digital Twins: A Framework for Validating Counterfactual What-If Analysis in Edge Computing Resources
• Title（参考訳）: 信頼できる6Gネットワークディジタルツインを目指して - エッジコンピューティングリソースの非現実的値解析を検証するためのフレームワーク
• Authors: Julian Jimenez Agudelo, Paola Soto, Ayat Zaki-Hindi, Jean-Sébastien Sottet, Sébastien Faye, Nina Slamnik-Kriještorac, Johann Marquez-Barja, Miguel Camelo Botero,
• Abstract要約: Network Digital Twins (NDTs) は,6Gクラウドエッジインフラストラクチャに対して,安全なWhat-if分析を可能にする。 クラウドエッジテレメトリアグリゲーションのためのスケーラブルなパイプラインで6G-TWINを拡張したデータ駆動型NDTフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.5921052011710383
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Network Digital Twins (NDTs) enable safe what-if analysis for 6G cloud-edge infrastructures, but adoption is often limited by fragmented workflows from telemetry to validation. We present a data-driven NDT framework that extends 6G-TWIN with a scalable pipeline for cloud-edge telemetry aggregation and semantic alignment into unified data models. Our contributions include: (i) scalable cloud-edge telemetry collection, (ii) regime-aware feature engineering capturing the network's scaling behavior, and (iii) a validation methodology based on Sign Agreement and Directional Sensitivity. Evaluated on a Kubernetes-managed cluster, the framework extrapolates performance to unseen high-load regimes. Results show both Deep Neural Network (DNN) and XGBoost achieve high regression accuracy (R2 > 0.99), while the XGBoost model delivers superior directional reliability (Sa > 0.90), making the NDT a trustworthy tool for proactive resource scaling in out-of-distribution scenarios.
• Abstract（参考訳）: Network Digital Twins (NDT) は,6Gクラウドエッジインフラストラクチャに対して,安全なWhat-if分析を可能にするものだが,テレメトリからバリデーションまで,断片的なワークフローによって採用が制限されることが少なくない。 我々は,クラウドエッジテレメトリアグリゲーションとセマンティックアライメントのためのスケーラブルなパイプラインで6G-TWINを拡張したデータ駆動型NDTフレームワークを提案する。 コントリビューションには以下のものがある。 (i)スケーラブルクラウドエッジテレメトリコレクション (II)ネットワークのスケーリング動作を捉えたレギュラーアウェア機能工学 三 署名合意及び指示感度に基づく検証方法 Kubernetesが管理するクラスタで評価すると、このフレームワークはパフォーマンスを、目に見えない高負荷のレシエーションに外挿する。 その結果、Deep Neural Network (DNN) と XGBoost は高い回帰精度(R2 > 0.99)を達成し、XGBoost モデルは優れた指向性(Sa > 0.90)を提供し、NDT は配布外シナリオにおけるプロアクティブなリソーススケーリングのための信頼できるツールとなる。

関連論文リスト

• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Going with the Flow: Approximating Banzhaf Values via Graph Neural Networks [1.8047694351309207]
  ネットワークフローゲームにおいて,グラフニューラルネットワーク(GNN)を用いてBanzhafの値を近似する新しい学習手法を提案する。 トレーニングされたGNNモデルは,高忠実度Banzhaf値近似を実現し,次数化の高速化を実現する。 この研究は、複雑なネットワークシステムのスケーラブルな協調ゲーム理論解析のための実用的なツールとして、GNNを確立している。
  論文  参考訳（メタデータ） (2025-10-15T10:40:33Z)
• Data-Driven Approximation of Binary-State Network Reliability Function: Algorithm Selection and Reliability Thresholds for Large-Scale Systems [0.08158530638728499]
  本研究は,3つの信頼性体制(0.0-1.0),高信頼性(0.9-1.0),超高信頼性(0.99-1.0)にわたる20の機械学習手法を評価する。 本研究では,円弧の信頼性が0.9以下である大規模ネットワークが,ほぼ均一なシステムの信頼性を示し,計算の単純化を実現していることを示す。
  論文  参考訳（メタデータ） (2025-03-16T13:51:59Z)
• Sdn Intrusion Detection Using Machine Learning Method [0.0]
  SDN(Software-Defined Network)は、ネットワーク制御を直接プログラムできる新しいアプローチである。 本研究は,ネットワーク内の感染を捕捉する新しい機械学習手法を開発した。
  論文  参考訳（メタデータ） (2024-11-08T12:19:50Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• Boosting Binary Neural Networks via Dynamic Thresholds Learning [21.835748440099586]
  我々はDySignを導入し、情報損失を減らし、BNNの代表能力を高める。 DCNNでは、2つのバックボーンに基づくDyBCNNが、ImageNetデータセット上で71.2%と67.4%のトップ1精度を達成した。 ViTsの場合、DyCCTはImageNetデータセット上で完全にバイナライズされたViTsと56.1%のコンボリューショナル埋め込み層の優位性を示す。
  論文  参考訳（メタデータ） (2022-11-04T07:18:21Z)
• Linearity Grafting: Relaxed Neuron Pruning Helps Certifiable Robustness [172.61581010141978]
  証明可能な堅牢性は、安全クリティカルなシナリオでディープニューラルネットワーク(DNN)を採用する上で望ましい特性である。 線形性の適切なレベルを「グラフト」することで、神経細胞を戦略的に操作する新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2022-06-15T22:42:29Z)
• On Feature Learning in Neural Networks with Global Convergence Guarantees [49.870593940818715]
  勾配流(GF)を用いた広帯域ニューラルネットワーク(NN)の最適化について検討する。 入力次元がトレーニングセットのサイズ以下である場合、トレーニング損失はGFの下での線形速度で0に収束することを示す。 また、ニューラル・タンジェント・カーネル(NTK)システムとは異なり、我々の多層モデルは特徴学習を示し、NTKモデルよりも優れた一般化性能が得られることを実証的に示す。
  論文  参考訳（メタデータ） (2022-04-22T15:56:43Z)

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。