論文の概要: CCLab: Adversarial Testing of Learning- and Non-Learning-Based Congestion Controllers

• arxiv url: http://arxiv.org/abs/2605.21915v1
• Date: Thu, 21 May 2026 02:38:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.062107
• Title: CCLab: Adversarial Testing of Learning- and Non-Learning-Based Congestion Controllers
• Title（参考訳）: CCLab:学習型および非学習型混雑制御器の逆テスト
• Authors: Zhi Chen, Shehab Sarar Ahmed, Chenkai Wang, Brighten Godfrey, Gang Wang,
• Abstract要約: 渋滞制御器 (CC) はネットワーク性能に重要であるが, 悪条件下での堅牢性は十分に理解されていない。 我々は,学習ベースと非学習ベースの両方のCCの堅牢性を評価するための,敵対的なテストフレームワークであるCCLabを紹介する。
• 参考スコア（独自算出の注目度）: 6.100715441680976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Congestion controllers (CCs) are critical to network performance, and yet their robustness under adverse conditions remains insufficiently understood. While recent learning-based CCs have demonstrated strong performance in controlled environments, it is unclear how they compare to traditional CCs when controllers' input signals are corrupted or when environmental conditions become systematically challenging. In this paper, we introduce CCLab, an adversarial testing framework for systematically evaluating the robustness of both learning-based and non-learning-based CCs. CCLab includes a reinforcement learning (RL)-based adversarial agent that operates in a closed loop with the congestion control policy, generating bounded perturbations either on input signals (feature-level) or on external network conditions (environment-level), while preserving realism through explicit constraints. Using this framework, we compare learning-based CCs with non-learning-based CCs under both feature-level and environment-level adversarial conditions. While both types of CCs suffer from performance degradation under adversarial testing, we find that learning-based CCs, in general, are more robust than traditional human-designed algorithms. Finally, we show that our adversarial traces can be used to train more robust CCs that outperform existing learning-based CCs under both challenging and normal conditions.
• Abstract（参考訳）: 渋滞制御器 (CC) はネットワーク性能に重要であるが, 悪条件下での堅牢性は十分に理解されていない。 近年の学習型CCは, 制御環境において高い性能を示したが, 制御器の入力信号が破損したり, 環境条件が体系的に困難になったりした場合に, 従来のCCと比較してどうであったかは定かではない。 本稿では,学習ベースと非学習ベースの両方のCCの堅牢性を体系的に評価する逆テストフレームワークであるCCLabを紹介する。 CCLabには、強化学習(RL)ベースの敵エージェントが含まれており、密集制御ポリシーで閉じたループで動作し、入力信号(機能レベル)または外部ネットワーク条件(環境レベル)で有界摂動を生成しながら、明示的な制約によってリアリズムを保っている。 このフレームワークを用いて,特徴レベルと環境レベルの両方の逆条件下で,学習ベースのCCと非学習ベースのCCを比較した。 どちらのタイプのCCも、対向テストで性能劣化に悩まされているが、学習ベースのCCは、一般的に、従来の人間設計のアルゴリズムよりも堅牢である。 最後に,既存の学習ベースCCより優れたCCを,難易度と正常度の両方で訓練することができることを示す。

関連論文リスト

• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• What If Consensus Lies? Selective-Complementary Reinforcement Learning at Test Time [57.533031432715084]
  TTRL(Test-Time Reinforcement Learning)は、Large Language Models(LLM)が、ラベルのないテストストリームの推論能力を向上することを可能にする。 既存のTTRL法は、正の擬似ラベル戦略にのみ依存している。 本研究では,ラベル雑音増幅を効果的に緩和する堅牢なテスト時間強化学習フレームワークであるSCRLを提案する。
  論文  参考訳（メタデータ） (2026-03-20T11:47:12Z)
• Principled Learning-to-Communicate with Quasi-Classical Information Structures [43.00089910001943]
  部分的に観測可能な環境下でのLearning-to-Communicate(LTC)は注目されている。 我々は、情報構造(IS)のレンズを通して、2行の作業行をブリッジすることで、LCCを形式化し、よりよく理解する。 まず、非古典的LCCは一般に計算的に難解であることを示し、従って準古典的LCC(QC)に焦点をあてる。
  論文  参考訳（メタデータ） (2026-03-04T02:36:18Z)
• LLM Probing with Contrastive Eigenproblems: Improving Understanding and Applicability of CCS [0.17188280334580197]
  最適化されるべきなのは、相対的なコントラスト一貫性である、と私たちは主張する。 我々は CCS を固有確率として再構成し、解釈可能な固有値と複数の変数への自然な拡張を持つ閉形式解を得る。 この結果から,コントラスト整合性の相対性化はCSの理解を向上するだけでなく,より広範な探索や機械的解釈可能性手法の道を開くことが示唆された。
  論文  参考訳（メタデータ） (2025-11-03T22:00:37Z)
• C3: Learning Congestion Controllers with Formal Certificates [14.750230453127413]
  C3は、学習ループに正式な認証の概念を統合する、渋滞制御のための新しい学習フレームワークである。 C3トレーニングされたコントローラは、さまざまなネットワーク条件に対して、適応性と最悪のケースの信頼性を提供する。
  論文  参考訳（メタデータ） (2024-12-14T18:02:50Z)
• Conformal Distributed Remote Inference in Sensor Networks Under Reliability and Communication Constraints [61.62410595953275]
  通信制約付き分散共形リスク制御(CD-CRC) CD-CRCは通信制約下でのセンサネットワークのための新しい意思決定フレームワークである。
  論文  参考訳（メタデータ） (2024-09-12T10:12:43Z)
• Hyperparameters in Continual Learning: A Reality Check [50.784080714897776]
  連続学習(CL)は、可塑性(新しいタスクを学ぶ)と安定性(事前知識を保持する)のトレードオフをバランスしながら、一連のタスクでモデルを訓練することを目的としている。
  論文  参考訳（メタデータ） (2024-03-14T03:13:01Z)
• Learning to Sail Dynamic Networks: The MARLIN Reinforcement Learning Framework for Congestion Control in Tactical Environments [53.08686495706487]
  本稿では, 正確な並列化可能なエミュレーション環境を利用して, 戦術ネットワークの環境を再現するRLフレームワークを提案する。 衛星通信(SATCOM)とUHFワイドバンド(UHF)の無線リンク間のボトルネックリンク遷移を再現した条件下で、MARLINエージェントを訓練することにより、我々のRL学習フレームワークを評価する。
  論文  参考訳（メタデータ） (2023-06-27T16:15:15Z)
• CULT: Continual Unsupervised Learning with Typicality-Based Environment Detection [0.0]
  CULT(Continual Unsupervised Representation Learning with typicality-Based Environment Detection)は,変分自動エンコーダを用いた教師なし学習のための新しいアルゴリズムである。 CULTは、ベースラインの非教師なし学習アプローチよりも大幅に優れている。
  論文  参考訳（メタデータ） (2022-07-17T22:08:10Z)

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。