論文の概要: Event Detection for Parameter-to-KPI Dependency Learning for AI-RAN

• arxiv url: http://arxiv.org/abs/2606.06459v1
• Date: Thu, 04 Jun 2026 17:50:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:45.013005
• Title: Event Detection for Parameter-to-KPI Dependency Learning for AI-RAN
• Title（参考訳）: AI-RANのためのパラメータ対KPI依存学習のためのイベント検出
• Authors: Christie Djidjev, Nicholas Kaminski,
• Abstract要約: 次世代無線ネットワークは、異なるネットワーク目標を同時に最適化する、AI駆動の同時制御機能に依存することが期待されている。 これらの関数が相互作用すると、生のネットワークデータからのみ検出することが難しい方法で互いに干渉する可能性がある。 本稿では, ノイズの多い連続テレメトリをパラメータ・アクティビティと応答のバイナリ・インジケータに変換するために, イベント検出のステップに焦点をあてる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next-generation wireless networks are expected to rely on multiple concurrent AI-driven control functions that optimize different network objectives simultaneously, particularly in AI-integrated and open radio access network architectures such as AI Radio Access Network (AI-RAN) and Open Radio Access Network (O-RAN). When these functions interact, they can interfere with one another in ways that are difficult to detect from raw network data alone. A key missing piece for managing such interactions is a reliable, interpretable dependency structure that captures which control parameters are actively influencing which network performance outcomes at any given time. This paper focuses on the event-detection step needed to support such dependency learning by converting noisy continuous telemetry into binary indicators of parameter activity and KPI response. The central difficulty is that not every fluctuation in the data reflects a genuine control interaction, so the method must distinguish real parameter-outcome relationships from background variation. Because real AI-RAN traffic traces with known parameter-KPI ground truth are difficult to obtain, we introduce a synthetic closed-loop traffic generator with planted latent dependencies. We use this controlled telemetry to evaluate a machine-learning-based dependency recovery pipeline that formulates the conversion of continuous traces into binary event indicators as a significance-detection problem. Experimental evaluation shows that the proposed pipeline reliably recovers the latent dependency structure from noisy continuous traces when the signal is sufficiently separated from background variation, while highlighting threshold calibration as the key factor controlling event-detection quality. These results constitute a foundational step toward interpretable dependency learning for adaptive AI-RAN control systems.
• Abstract（参考訳）: 次世代無線ネットワークは、AIラジオアクセスネットワーク(AI-RAN)やオープンラジオアクセスネットワーク(O-RAN)といったAI統合およびオープン無線アクセスネットワークアーキテクチャにおいて、異なるネットワーク目標を同時に最適化する複数の同時AI駆動制御関数に依存することが期待されている。 これらの関数が相互作用すると、生のネットワークデータからのみ検出することが難しい方法で互いに干渉する可能性がある。 このようなインタラクションを管理するための重要な欠如は、信頼できる、解釈可能な依存関係構造であり、どの制御パラメータが任意の時間にどのネットワークパフォーマンス結果に積極的に影響しているかをキャプチャする。 本稿では,ノイズの多い連続テレメトリをパラメータアクティビティとKPI応答のバイナリインジケータに変換することで,そのような依存性学習を支援するために必要な事象検出ステップに焦点を当てる。 中心的な困難は、データ内のすべてのゆらぎが真の制御相互作用を反映しているわけではないため、実際のパラメータ-アウトカム関係を背景変動と区別しなければならないことである。 パラメータ-KPI基底真理を持つ実AI-RANトラヒックは取得が難しいため,潜伏依存性を持つ合成クローズドループトラヒック発生器を導入する。 この制御されたテレメトリを用いて、連続トレースの2値イベントインジケータへの変換を重要度検出問題として定式化する機械学習ベースの依存性回復パイプラインを評価する。 実験により,信号が背景変動から十分に分離された場合,提案パイプラインは遅延依存構造をノイズのある連続的トレースから確実に回復し,しきい値校正を事象検出品質のキーファクタとして強調することを示した。 これらの結果は、適応型AI-RAN制御系における依存性学習の解釈に向けた基礎的なステップを構成する。

関連論文リスト

• Tracing the Chain: Deep Learning for Stepping-Stone Intrusion Detection [7.981257687111937]
  ステッピングストーン侵入(SSI)は一般的なネットワーク回避手法である。 効果的なSSI検出には、各リレーホストの入出力フローを極めて低い偽陽性率で関連付ける必要がある。 ESPRESSOは、トランスフォーマーベースの特徴抽出ネットワーク、タイムアラインな多チャンネル間隔特徴、オンライントリプレットメトリック学習を組み合わせたフロー相関モデルである。
  論文  参考訳（メタデータ） (2026-04-09T22:26:52Z)
• Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
  本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。 我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。 我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
  論文  参考訳（メタデータ） (2026-04-09T06:13:59Z)
• GO-GenZip: Goal-Oriented Generative Sampling and Hybrid Compression [50.76941829813458]
  現在のネットワークデータテレメトリパイプラインは、複数の分散ソースから中央アグリゲータへの、きめ細かいキーパフォーマンス指標(KPI)の巨大なストリームで構成されている。 本研究は、目標指向の観点からネットワークテレメトリを再設計する、ジェネレーティブAI(GenAI)駆動サンプリングとハイブリッド圧縮フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T16:33:15Z)
• Adaptive RAN Slicing Control via Reward-Free Self-Finetuning Agents [26.34195733862222]
  本稿では,エージェントシステムが環境との直接対話を通じて継続的に学習することを可能にする,新たな自己ファインタニングフレームワークを提案する。 本フレームワークは,対話履歴から好みのデータセットを構築するために,自律的な言語フィードバックを生成するバイパースペクティブ・リフレクション機構を実装している。 その後の嗜好に基づく微調整プロセスは、長い水平体験をモデルのパラメータに蒸留する。 実験結果から,我々のフレームワークは,サンプル効率,安定性,マルチメトリック最適化において,標準強化学習(RL)ベースラインと既存のLarge Language Model(LLM)ベースエージェントよりも優れていた。
  論文  参考訳（メタデータ） (2026-03-11T09:14:56Z)
• 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)
• 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)
• Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
  本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。 バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-08-21T02:46:46Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• A Framework for Automatic Behavior Generation in Multi-Function Swarms [1.290382979353427]
  マルチファンクションスワムにおける自動行動生成のためのフレームワークを提案する。 フレームワークは3つの同時タスクでシナリオ上でテストされる。 MAP-elitesの挙動特性に及ぼすノイズの影響について検討した。
  論文  参考訳（メタデータ） (2020-07-11T20:50:52Z)

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。