論文の概要: Agentic AI-Based Joint Computing and Networking via Mixture of Experts and Large Language Models

• arxiv url: http://arxiv.org/abs/2605.02911v1
• Date: Tue, 07 Apr 2026 18:00:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.510962
• Title: Agentic AI-Based Joint Computing and Networking via Mixture of Experts and Large Language Models
• Title（参考訳）: エージェントAIに基づくエキスパートと大規模言語モデルの混合による統合コンピューティングとネットワーク
• Authors: Robert-Jeron Reifert, Alaa Alameer Ahmad, Hayssam Dahrouj, Aydin Sezgin,
• Abstract要約: 将来の第6世代(6G)モバイルネットワークは、強力だが高度に専門化された最適化専門家の多様なセットを備えることが想定されている。 このような有望なビジョンは、そのような専門家を選択、組み合わせ、編成できるスケーラブルなメカニズムの必要性を生じさせるものと期待されている。 エージェント人工知能(AI)に基づくネットワーク最適化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）: 6.776332393438406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Future sixth-generation (6G) mobile networks are envisioned to be equipped with a diverse set of powerful, yet highly specialized, optimization experts. Such a promising vision is concurrently expected to give rise to the need for scalable mechanisms that can select, combine, and orchestrate such experts based on high-level intent and uncertainty descriptions. In this paper, we propose an agentic artificial intelligence (AI)-based network optimization framework that integrates mixture of experts (MoE) architectures with large language models (LLMs). Under the proposed framework, the employed LLM acts as a semantic gate to reason over operator objectives and dynamically compose suitable optimization agents. The proposed framework is formulated in a model-agnostic manner and bridges human-readable network intents with low-level resource allocation decisions, enabling flexible optimization across heterogeneous objectives and operating conditions. As a representative instantiation, we apply the framework to a joint communication and computing network and design a library of specialized optimization experts covering throughput, fairness, and delay-driven objectives under both regular and robust conditions. Numerical simulations demonstrate that the proposed agentic MoE framework consistently achieves near-optimal performance compared to exhaustive expert combinations while outperforming individual experts across diverse objectives, including delay minimization and throughput maximization.
• Abstract（参考訳）: 将来の第6世代(6G)モバイルネットワークは、強力だが高度に専門化された最適化専門家の多様なセットを備えることが想定されている。 このような有望なビジョンは、高いレベルの意図と不確実性の記述に基づいて、専門家を選択、組み合わせ、編成できるスケーラブルなメカニズムの必要性を同時に生み出すものと期待されている。 本稿では,専門家(MoE)アーキテクチャと大規模言語モデル(LLM)を併用したエージェント人工知能(AI)に基づくネットワーク最適化フレームワークを提案する。 提案したフレームワークでは,LLMは演算子の目的を推論し,適切な最適化エージェントを動的に構成する意味ゲートとして機能する。 提案フレームワークは、モデルに依存しない方法で定式化され、低レベルのリソース割り当て決定で人間可読ネットワークインテントをブリッジし、不均一な目的や運用条件に対して柔軟な最適化を可能にする。 代表的インスタンス化として、このフレームワークを協調通信・コンピューティングネットワークに適用し、スループット、公正性、遅延駆動の目的を正規かつ堅牢な条件下でカバーする特別な最適化専門家のライブラリを設計する。 シミュレーションにより,提案するエージェントMOEフレームワークは,最大スループットの最小化やスループットの最大化など,多種多様な目的にまたがる個々の専門家よりも優れた性能を実現していることがわかった。

関連論文リスト

• From Intents to Actions: Agentic AI in Autonomous Networks [2.442771585706931]
  この研究は、意図駆動型自律ネットワークのためのエージェントAIシステムを導入し、3つの専門エージェントで構成されている。 言語モデルを利用したインタプリタエージェントは、フィードバック、制約実現可能性、ネットワーク条件の進化に基づく意図の語彙解析を行う。 エージェントはこれらの認知テンプレートをトラクタブルな最適化問題に変換し、トレードオフを分析し、目的物間での好みを導出する。
  論文  参考訳（メタデータ） (2026-02-01T15:01:57Z)
• 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)
• Hybrid Agentic AI and Multi-Agent Systems in Smart Manufacturing [0.0]
  本稿では,複合エージェントAIとマルチエージェントフレームワークを,規範的メンテナンスユースケースに適用する。 提案するフレームワークは、認識層、前処理層、分析層、最適化層からなる階層アーキテクチャを採用している。 特殊エージェントは、スキーマ発見、インテリジェントな特徴分析、モデル選択、規範最適化を自律的に処理する。 最初の概念実証は、2つの工業生産データセットで検証される。
  論文  参考訳（メタデータ） (2025-11-23T03:06:23Z)
• Agentic AI Reasoning for Mobile Edge General Intelligence: Fundamentals, Approaches, and Directions [74.35421055079655]
  大規模言語モデル(LLM)は、強力な推論と自律的な意思決定能力を備えたエージェント人工知能(AI)の出現を可能にした。 Mobile Edge General Intelligence (MEGI)は、リアルタイムでプライバシ保護の推論をネットワークエッジにもたらす。 本稿では,MEGIにおけるLLM推論の効率的な展開のための共同最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T10:53:48Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• Generative AI Agents with Large Language Model for Satellite Networks via a Mixture of Experts Transmission [74.10928850232717]
  本稿では、モデル定式化のための生成人工知能(AI)エージェントを開発し、送信戦略の設計に専門家(MoE)の混合を適用した。 具体的には,大規模言語モデル(LLM)を活用して対話型モデリングパラダイムを構築する。 定式化問題の解法として, MoE-proximal Policy Optimization (PPO) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-14T03:44:54Z)

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。