論文の概要: Adaptive Alarm Threshold Prediction in 4G Mobile Networks: A Percentile-Guided Deep Learning Framework with Interpretable Outputs
- arxiv url: http://arxiv.org/abs/2605.00838v1
- Date: Sat, 04 Apr 2026 17:21:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 06:56:26.443305
- Title: Adaptive Alarm Threshold Prediction in 4G Mobile Networks: A Percentile-Guided Deep Learning Framework with Interpretable Outputs
- Title（参考訳）: 4Gモバイルネットワークのアダプティブアラーム閾値予測:解釈可能な出力を持つパーセントガイド型ディープラーニングフレームワーク
- Authors: Ayon Roy, Sadman Sharif, Shiva Prasad Sarkar,
- Abstract要約: 本稿では,4つのアラームしきい値,監査窓期間,不活性時間制限,総変動数,時間あたりの変動制限を自動的に予測する機械学習フレームワークを提案する。
このフレームワークは、新しいデータを使って日々のトレーニングを実施し、しきい値がネットワークの変化に常に適応できるようにする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In mobile telecommunications, alarms act as early warning signals. They are triggered when a cell, the basic unit of radio coverage, shuts down or behaves abnormally. This signals a degradation in service quality, which directly affects the customer experience. To fix the issue, operators rely on preset thresholds to decide when an engineer should be sent out. In practice, these thresholds are set manually and remain fixed regardless of the time of day, traffic levels, or overall network conditions. This often leads to serious faults slipping through during busy hours, while minor issues can cause unnecessary callouts when the network is quiet. This paper presents a machine learning framework that automatically predicts four alarm thresholds, audit window duration, inactive time limit, total fluctuation count, and per hour fluctuation limit, from live network behavior. Since no ground truth labels exist for thresholds, we introduce a percentile guided label derivation strategy and evaluate four models on an anonymized dataset of 10,648 cells across three vendors and nine regions from a real 4G network, comprising a Gradient Boosted Trees baseline, a CNN-BiLSTM with attention, the proposed PCTN, and an iTransformer. PCTN performs the best overall with respect to three of the four targets, outperforming a state-of-the-art iTransformer while using 83 percent fewer parameters. Its mixed output heads and dynamic alpha mechanism produce thresholds that are both accurate and interpretable, allowing operators to inspect and adjust the learned policy without retraining. All comparisons are statistically significant at p < 0.001. The framework undergoes daily retraining using new data, which enables the thresholds to constantly adjust to changes in the network.
- Abstract（参考訳）: モバイル通信では、アラームは早期警戒信号として機能する。
それらは、無線カバーの基本単位である細胞がシャットダウンしたり、異常に振る舞うとトリガーされる。
これによってサービス品質が低下し、顧客のエクスペリエンスに直接影響を与えます。
問題を修正するために、オペレータは、エンジニアがいつ送信されるかを決定するために、予め設定されたしきい値に依存する。
実際には、これらの閾値は手動で設定され、日時、交通量、ネットワーク全体の条件に関わらず固定される。
これはしばしば、忙しい時間に深刻な障害が発生するが、マイナーな問題は、ネットワークが静かになったときに不要なコールアウトを引き起こす可能性がある。
本稿では,4つのアラームしきい値,監査窓期間,不活性時間制限,総変動数,時間あたりの変動制限を自動的に予測する機械学習フレームワークを提案する。
3つのベンダーと9つのリージョンにまたがる匿名化されたデータセット10,648セルの4つのモデルを実際の4Gネットワークから評価し、グラディエントブーストツリーベースライン、注目されたCNN-BiLSTM、提案されたPCTN、iTransformerを含む。
PCTNは4つのターゲットのうち3つに対して、最大で83%少ないパラメータを使用しながら、最先端のiTransformerを上回っている。
その混合出力ヘッドと動的アルファ機構は正確かつ解釈可能なしきい値を生成し、オペレータは再トレーニングせずに学習ポリシーを検査および調整することができる。
全ての比較はp < 0.001で統計的に有意である。
このフレームワークは、新しいデータを使って日々のトレーニングを実施し、しきい値がネットワークの変化に常に適応できるようにする。
関連論文リスト
- WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。
WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。
NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
論文 参考訳（メタデータ） (2026-04-20T01:29:56Z) - Benchmarking Dataset for Presence-Only Passive Reconnaissance in Wireless Smart-Grid Communications [2.721477719641864]
本稿では,一様無線および有線リンクを持つ有線ホームエリアネットワーク(HAN),近隣エリアネットワーク(NAN)および広帯域ネットワーク(WAN)通信グラフ上での受動偵察のためのIEEEに着想を得た文献アンコール型ベンチマーク・データセット・ジェネレータを提案する。
論文 参考訳（メタデータ） (2026-03-10T12:39:03Z) - Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。
FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。
推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
論文 参考訳（メタデータ） (2026-02-12T18:54:57Z) - 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) - Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。
テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
論文 参考訳（メタデータ） (2025-09-29T08:52:30Z) - Anomaly detection in network flows using unsupervised online machine learning [0.19573380763700712]
本研究では、教師なし機械学習とオンライン学習機能を用いたネットワークフローの異常検出モデルを提案する。
このモデルは、ワンクラスSVMでRiverライブラリを使用して実装され、NF-UNSW-NB15データセットで評価された。
結果は、98%以上の精度、3.1%以下の偽陽性率、およびデータセットの最も高度なバージョンで100%のリコールを示す。
論文 参考訳（メタデータ） (2025-09-01T11:21:06Z) - FedSkipTwin: Digital-Twin-Guided Client Skipping for Communication-Efficient Federated Learning [2.209918162717035]
コミュニケーションのオーバーヘッドは、連邦学習(FL)における主要なボトルネックである。
この研究は、軽量でサーバーサイドのデジタルツインによって駆動される新しいクライアントスキッピングアルゴリズムであるFedSkipTwinを紹介する。
UCI-HARおよびMNISTデータセットに対して,非IIDデータ分散下で10クライアントで実験を行った。
論文 参考訳（メタデータ） (2025-07-18T03:39:08Z) - Reducing Exposure Bias in Training Recurrent Neural Network Transducers [37.53697357406185]
自動音声認識のためのRNNTモデルの一般化のための訓練における露出バイアス低減手法について検討する。
我々は,高性能RNNT ASRモデルの精度をさらに向上し,300時間Switchboardデータセットの最先端結果を得ることができることを示す。
論文 参考訳（メタデータ） (2021-08-24T15:43:42Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳（メタデータ） (2020-10-22T12:32:29Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z)
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。