論文の概要: APEX: A Network-Native Time-Series Foundation Model for Forecasting and Anomaly Detection for Wireless Edge Operations
- arxiv url: http://arxiv.org/abs/2606.11553v1
- Date: Wed, 10 Jun 2026 01:23:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.233855
- Title: APEX: A Network-Native Time-Series Foundation Model for Forecasting and Anomaly Detection for Wireless Edge Operations
- Title（参考訳）: APEX:無線エッジ操作の予測と異常検出のためのネットワークネイティブ時系列基礎モデル
- Authors: Swadhin Pradhan, Niloo Bahadori, Peiman Amini,
- Abstract要約: APEXは、エンタープライズAPテレメトリを予測するためのネットワークネイティブでデコーダのみのトランスフォーマーである。
APEC-ラージは最強の基盤モデルベースラインよりもMAEを18%削減する。
APEC-Edgeは、APクラスのエッジハードウェア上で、サブ秒単位のプライバシ保護推論を可能にする。
- 参考スコア（独自算出の注目度）: 0.9558392439655014
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generic time-series foundation models transfer poorly to wireless network telemetry whose signals are bursty, zero-inflated, and coupled across protocol layers. We present APEX, a network-native, decoder-only transformer for forecasting enterprise AP telemetry, and evaluate it on DHCP degradation as a representative network task. APEX is pre-trained on 10-channel multivariate telemetry from ~4,500 production wireless networks (~100K AP time series, 34 metrics per AP), and is available as APEX-Large (269M, cloud) and APEX-Edge (10.5M, edge). On a 192-step (4-day) DHCP degradation benchmark, APEX-Large reduces MAE by 18% over the strongest foundation-model baseline (Toto) and 38% over SARIMA, with anomaly-detection F1 = 0.93, while APEX-Edge enables sub-second, privacy-preserving inference on AP-class edge hardware. These results suggest network-native pre-training is a practical foundation for proactive wireless operations.
- Abstract（参考訳）: 一般的な時系列基盤モデルは、信号がバースト状で、0インフレーションされ、プロトコル層にまたがって結合されている無線ネットワークテレメトリに不適切な転送を行う。
本稿では,エンタープライズAPテレメトリを予測するためのネットワークネイティブデコーダのみのトランスフォーマであるAPEXを紹介し,DHCP劣化を代表的ネットワークタスクとして評価する。
APEXは、約4,500のプロダクション無線ネットワークから10チャンネルの多変量テレメトリ(APの時系列で約100K、AP当たり34のメトリクス)で事前訓練されており、APEX-Large(269M、クラウド)とAPEX-Edge(10.5M、エッジ)として利用できる。
192ステップ(4日間)のDHCP劣化ベンチマークでは、APEX-Largeは、APクラスのエッジハードウェアでサブ秒単位のプライバシ保護推論を可能にする一方、APEX-Edgeは、最強の基盤モデルベースライン(Toto)でMAEを18%、SARIMAで38%削減している。
これらの結果から,ネットワークネイティブなプレトレーニングは,プロアクティブ無線操作の実践的基盤となることが示唆された。
関連論文リスト
- 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) - TinyMyo: a Tiny Foundation Model for Flexible EMG Signal Processing at the Edge [14.115504534589896]
表面筋電図(EMG)の軽量基礎モデルTinyMyoについて述べる。
このモデルは、公開データセット上で自己管理的な方法で事前訓練され、3.6Mパラメータのみで高い再構成忠実度を達成する。
手のジェスチャー分類、手動回帰、音声生成、音声認識における一般化を実証し、その性能は最先端技術(SoA)に匹敵するか上回っている。
我々は、私たちの知る限り、EMG FMを超低消費電力マイクロコントローラ(GAP9)に初めて展開し、平均電力エンベロープ36.45mWを達成したことを報告している。
論文 参考訳（メタデータ） (2025-12-05T17:36:57Z) - Rydberg Atomic Quantum Receivers for Classical Wireless Communications and Sensing: Their Models and Performance [78.76421728334013]
ライドバーグ原子量子受信機(Rydberg atomic quantum receivers, RAQRs)は、高周波(RF)信号の電界を検出するための卓越した溶液である。
本稿では,無線コミュニティに対して,エンドツーエンドの受信方式を提示することでRAQRを導入する。
次に,現実的な受信フローに依存する等価なベースバンド信号モデルを開発する。
論文 参考訳（メタデータ） (2024-12-07T06:25:54Z) - Multidomain transformer-based deep learning for early detection of
network intrusion [15.99260480348544]
ネットワーク侵入検知システム(NIDS)のタイムリー応答は、フロー生成プロセスによって制限される。
提案する特徴抽出器であるTime Series Network Flow Meter (TS-NFM) は,ネットワークフローを説明可能な特徴を持つMSSとして表現する。
周波数領域をTransformerに組み込んだMulti-Domain Transformer(MDT)と呼ばれる,ディープラーニングに基づく新しい早期検出モデルを提案する。
論文 参考訳（メタデータ） (2023-09-03T04:18:08Z) - Distributed Multi-Agent Deep Q-Learning for Fast Roaming in IEEE
802.11ax Wi-Fi Systems [8.057006406834466]
Wi-Fi 6 IEEE 802.11axは無線ローカルネットワーク(WLAN)の第6世代(6G)技術として承認された。
本稿では,Wi-Fi 6 システムにおける Smart Warehouse 用ステーションローミングにおける遅延を効果的に抑えるために,高速ローミング (MADAR) アルゴリズムのためのマルチエージェント深層Q-ラーニングを提案する。
論文 参考訳（メタデータ） (2023-03-25T04:39:59Z) - Switching in the Rain: Predictive Wireless x-haul Network
Reconfiguration [17.891837432766764]
無線x-haulネットワークは、超高速データレートと超低レイテンシをサポートするために、4Gおよび/または5Gベースステーション間のマイクロ波およびミリ波リンクに依存している。
降水は信号の減衰を引き起こし、ネットワーク性能を著しく低下させる。
本研究では,履歴データを用いた予測ネットワーク再構成フレームワークを開発し,各リンクの将来の状態を予測し,瞬時障害に備えてネットワークを前もって準備する。
論文 参考訳（メタデータ） (2022-03-07T13:40:38Z) - Disentangle Your Dense Object Detector [82.22771433419727]
深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。
しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。
そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
論文 参考訳（メタデータ） (2021-07-07T00:52:16Z) - A Photonic-Circuits-Inspired Compact Network: Toward Real-Time Wireless
Signal Classification at the Edge [3.841495731646297]
大規模な機械学習モデルでは、レイテンシに敏感な下流タスクのためにエッジデバイス上で実装することが難しくなる可能性がある。
無線通信システムでは、ミリ秒以下のスケールでのMLデータ処理により、リアルタイムなネットワーク監視が可能となる。
本稿では,フォトニック・ハードウエアにインスパイアされたリカレントニューラルネットワークモデルからなる,コンパクトなディープ・ネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-25T19:55:41Z) - Blind Federated Edge Learning [93.29571175702735]
フェデレーションエッジ学習(FEEL)について検討し,それぞれが独自のデータセットを持つ無線エッジデバイスでグローバルモデルを学ぶ。
そこで本研究では,デバイスがローカル更新を非符号化方式で送信する,アナログオーバ・ザ・エアのアグリゲーション方式を提案する。
論文 参考訳（メタデータ） (2020-10-19T16:22:28Z) - A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。
本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。
提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
論文 参考訳（メタデータ） (2020-02-28T05:56:14Z)
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。