論文の概要: NeuroRisk: Physics-Informed Neural Optimization for Risk-Aware Traffic Engineering

• arxiv url: http://arxiv.org/abs/2605.12862v1
• Date: Wed, 13 May 2026 01:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.745421
• Title: NeuroRisk: Physics-Informed Neural Optimization for Risk-Aware Traffic Engineering
• Title（参考訳）: NeuroRisk: リスク対応交通工学のための物理インフォームドニューラルネットワーク
• Authors: Yingming Mao, Ximeng Liu, Jingyi Cheng, Xiyuan Liu, Jiashuai Liu, Yike Liu, Zhen Yao, Yuzhou Zhou, Siyuan Feng, Qiaozhu Zhai, Shizhen Zhao,
• Abstract要約: ワイド・エリア・ネットワーク(WAN)では、関係する障害が可用性の損失を支配しており、オペレーターは大規模な安全マージンを確保せざるを得なかった。 既存のリスク対応の定式化は、組み込みのSort-and-Select構造で制限できることを示し、時間スケールとトラクタビリティの基本的なトレードオフを明らかにする。 我々は、ソット・アンド・セレクトの構造を利用する物理インフォームド統一であるNeuroRiskを提案する。NeuroRiskは、ゲートエッジローカル予約を通じて実現可能であり、置換不変な勾配整列キューを通じてシナリオセットを表現する。
• 参考スコア（独自算出の注目度）: 30.022248387924282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In production Wide-Area Networks (WANs), correlated failures dominate availability losses, forcing operators to reserve large safety margins that leave substantial capacity underutilized. Achieving high utilization under strict availability targets therefore requires risk-aware Traffic Engineering (TE) over dozens to hundreds of probabilistic failure scenarios-yet solving this problem at operational timescales remains elusive. We demonstrate that existing risk-aware formulations can be unified under an embedded Sort-and-Select structure, exposing a fundamental trade-off between expressiveness and tractability: classical optimizers either restrict scenario selection for efficiency or incur prohibitive decomposition costs. While deep learning appears promising, prior Deep TE methods mainly target maximum link utilization and rely on scaling-based feasibility, which fundamentally breaks under explicit capacity constraints and scenario-dependent risk. We present NeuroRisk, a physics-informed deep unrolled optimizer that exploits the structure of Sort-and-Select. NeuroRisk enforces feasibility via gated edge-local reservations and represents scenario sets through permutation-invariant, gradient-aligned cues. Evaluations on production-style WANs show that NeuroRisk achieves small optimality gaps relative to the solver with orders of magnitude speedup $(10^2- 10^5 \times)$ on risk objectives, while outperforming neural baselines on nominal throughput.
• Abstract（参考訳）: ワイド・エリア・ネットワーク(WAN)では、関係する障害が可用性の損失を支配しており、オペレーターは大規模な安全マージンを確保せざるを得なかった。 そのため、厳格な可用性目標の下で高い利用を達成するには、数十から数百の確率的障害シナリオに対して、リスクを意識した交通工学(TE)が必要です。 既存のリスク認識式を組込みのSrt-and-Select構造で統一し,表現性とトラクタビリティの基本的なトレードオフを明らかにする。 ディープラーニングは有望なように見えるが、従来のDeep TEメソッドは主に最大リンク利用をターゲットにしており、スケーリングベースの実現可能性に依存している。 本稿では,Solt-and-Selectの構造を利用する物理インフォームドディープ・アンロール・オプティマイザであるNeuroRiskを紹介する。 NeuroRiskはゲートエッジローカル予約を通じて実現可能であり、置換不変な勾配整列キューを通じてシナリオセットを表現する。 生産スタイルのWANの評価では、NeuroRiskは最大値の10^2-10^5 \timesの桁数でソルバに対して小さな最適性ギャップを達成し、かつ、オプティカルスループットで神経ベースラインを上回りながら、リスク目標に対して10^2-10^5 \times)$を達成している。

関連論文リスト

• Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
  大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。 我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。 我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
  論文  参考訳（メタデータ） (2026-02-03T18:17:22Z)
• Self-Supervised Path Planning in Unstructured Environments via Global-Guided Differentiable Hard Constraint Projection [5.665217514922631]
  本研究では,非構造化環境における自律ナビゲーションのためのディープラーニングエージェントをデプロイするための自己教師型フレームワークを提案する。 データ不足を軽減するため,手動ラベリングを使わずに高密度の監視信号を提供するG-APF(Global-Guided Artificial Potential Field)を構築した。 20,000のシナリオからなるテストセットのベンチマークでは、88.75%の成功率を示し、強化された運用安全性を実証している。
  論文  参考訳（メタデータ） (2026-01-27T08:37:21Z)
• RRaPINNs: Residual Risk-Aware Physics Informed Neural Networks [0.0]
  物理インフォームドニューラルネットワーク(PINN)は通常、大きな局所的なエラーを隠蔽する平均残差を最小化する。 CVaR(Residual Risk-Aware Physics-Informed Neural Networks PINNs)を提案する。 本稿では, メモリレスサンプリング, グローバルのみのテール予算, 残留中心リスクなどのフレームワークの制限について論じ, 永続的ハードポイント再生, 局所的リスク予算, およびBC/IC用語に対する多目的リスクを概説する。
  論文  参考訳（メタデータ） (2025-11-23T16:10:45Z)
• Ultra-Reliable Risk-Aggregated Sum Rate Maximization via Model-Aided Deep Learning [3.4155322317700585]
  本稿では, チャネルフェージング不確実性/リスクに対する信頼度(ウルトラ)を増大させる関数として, CVaR(Conditional Value-at-Risk)を用いた複雑なWSR問題のリスク集約式を提案する。 トレーニングされたαRGNNは、ユーザ毎の深度低下を完全に排除し、十分なエルゴード性能を維持しながら、統計的ユーザ率の変動性を実質的にかつ最適に低減することを示す。
  論文  参考訳（メタデータ） (2025-09-30T14:24:04Z)
• ENFORCE: Nonlinear Constrained Learning with Adaptive-depth Neural Projection [0.0]
  本稿では,適応プロジェクションモジュール(AdaNP)を用いたニューラルネットワークアーキテクチャであるENFORCEを紹介した。 プロジェクションマッピングが1-Lipschitzであることが証明され、安定したトレーニングに適している。 我々の新しいアーキテクチャの予測は、ニューラルネットワークの入力と出力の両方において非線形である$N_C$等式制約を満たす。
  論文  参考訳（メタデータ） (2025-02-10T18:52:22Z)
• The Boundaries of Verifiable Accuracy, Robustness, and Generalisation in Deep Learning [71.14237199051276]
  経験的リスクを最小限に抑えるため,古典的な分布に依存しないフレームワークとアルゴリズムを検討する。 理想的な安定かつ正確なニューラルネットワークの計算と検証が極めて難しいタスク群が存在することを示す。
  論文  参考訳（メタデータ） (2023-09-13T16:33:27Z)
• Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
  我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。 制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。 私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
  論文  参考訳（メタデータ） (2023-06-15T08:33:52Z)
• Chance-Constrained Control with Lexicographic Deep Reinforcement Learning [77.34726150561087]
  本稿では,レキシックなDeep Reinforcement Learning(DeepRL)に基づく確率制約マルコフ決定プロセスを提案する。 有名なDeepRLアルゴリズムDQNの辞書版も提案され、シミュレーションによって検証されている。
  論文  参考訳（メタデータ） (2020-10-19T13:09:14Z)

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。