論文の概要: TelcoAgent: A Scalable 5G Multi-KPM Forecasting With 3GPP-Grounded Explainability
- arxiv url: http://arxiv.org/abs/2606.19821v1
- Date: Thu, 18 Jun 2026 05:55:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.672985
- Title: TelcoAgent: A Scalable 5G Multi-KPM Forecasting With 3GPP-Grounded Explainability
- Title（参考訳）: TelcoAgent: 3GPP対応のスケーラブル5GマルチKPM予測
- Authors: Geon Kim, Dara Ron, Sukhdeep Singh, Suyog Moogi, Pranshav Gajjar, V V N K Someswara Rao Koduri, Een Kee Hong, Vijay K. Shah,
- Abstract要約: キーパフォーマンス測定(KPM)予測は、5Gおよび次世代通信ネットワークのアクティブネットワーク管理に不可欠である。
我々は,ネットワークセル間の複数のKPMの正確な,スケーラブルな,説明可能な予測を可能にする基盤モデルベースのフレームワークであるTelcoAgentを提案する。
- 参考スコア（独自算出の注目度）: 6.096576210956097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Key Performance Measurement (KPM) forecasting is essential for proactive network management of 5G and next-generation telecom networks. However, existing machine learning (ML) approaches face significant limitations in scalability and explainability, restricting their effectiveness in real-world deployments. We propose TelcoAgent, a foundation model-based framework that enables accurate, scalable, and explainable forecasting of multiple KPMs across diverse network cells without the need for site-specific training. Specifically, the framework comprises three key components: (i) an automated three-agent pipeline that constructs a 3rd Generation Partnership Project (3GPP) knowledge graph directly from specification documents, (ii) a scalable, time-series foundation model (TSFM)-based prediction pipeline to deliver accurate, zero-shot forecasting, and finally (iii) a reasoning and explanation pipeline that provides actionable, domain-grounded diagnostics. Evaluated using a 3-month, real-world, city-scale 5G KPM dataset from a U.S.-based network operator, TelcoAgent demonstrates high forecasting accuracy for all 7 considered KPMs per cell across 200 cells, while delivering explainable insights and actionable instructions to address network degradations.
- Abstract（参考訳）: キーパフォーマンス測定(KPM)予測は、5Gおよび次世代通信ネットワークのアクティブネットワーク管理に不可欠である。
しかし、既存の機械学習(ML)アプローチはスケーラビリティと説明可能性に大きな制限に直面し、実際のデプロイメントにおけるその有効性を制限する。
我々は,ネットワークセル間の複数のKPMの正確な,スケーラブルな,説明可能な予測を可能にする基盤モデルベースのフレームワークであるTelcoAgentを提案する。
具体的には、フレームワークは3つの重要なコンポーネントから構成される。
(i)第3世代パートナーシッププロジェクト(GPP)知識グラフを仕様文書から直接構築する自動3エージェントパイプライン。
(II)スケーラブルな時系列ベースモデル(TSFM)ベースの予測パイプラインで、正確でゼロショットの予測を行い、そして最後に
(iii)アクション可能なドメイン地上診断を提供する推論および説明パイプライン。
TelcoAgent氏は、米国拠点のネットワークオペレーターによる3ヶ月の都市規模の5G KPMデータセットを用いて評価し、200セルにわたるセル毎の7つのKPMについて高い予測精度を示し、ネットワーク劣化に対処するための説明可能な洞察と実行可能な指示を提供する。
関連論文リスト
- GTA: Generating Long-Horizon Tasks for Web Agents at Scale [82.43869456830664]
我々は、クローリング、検索ベースのシード、コンテキスト内生成、自動品質管理を統合したスケーラブルなフレームワーク、GTAを導入する。
eコマース、政府、フォーラム、ニュースをカバーする50以上のウェブサイトでパイプラインをインスタンス化し、マルチリンガルとマルチホップをカバーしています。
i) マルチホップWebエージェントタスク生成の形式化、(ii) 自動データ生成のための効率的で検証されたパイプラインの提案、(iii) 再現可能な評価を伴う動的ベンチマークのリリースである。
論文 参考訳（メタデータ） (2026-05-28T01:05:50Z) - M3Net: A Multi-Metric Mixture of Experts Network Digital Twin with Graph Neural Networks [18.215893951726166]
拡張されたネットワーク状態データから複数のパフォーマンス指標を推定するグラフニューラルネットワークアーキテクチャであるM3Netを導入する。
M3Netは、MAPE (Mean Absolute Percentage Error) を20.06%から17.39%に削減することで、流量遅延予測の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2025-12-10T16:12:42Z) - Characterizing 5G User Throughput via Uncertainty Modeling and Crowdsourced Measurements [0.0]
本稿では,ダウンリンクユーザスループット推定のための不確実性と説明可能なアプローチを提案する。
先程の4G手法を検証し、R2を8.7%改善し、5G NSAと5G SAに拡張した。
スループットの変動性に対処するために,点推定と校正された信頼区間の両方を出力するモデルであるNGBoostを適用する。
論文 参考訳（メタデータ） (2025-10-10T10:29:32Z) - SQS: Enhancing Sparse Perception Models via Query-based Splatting in Autonomous Driving [56.198745862311824]
スパースパーセプションモデル(SPM)のための新しいクエリベーススプラッティング事前トレーニングであるSQSを紹介する。
SQSは、事前トレーニング中にスパースクエリから3Dガウス表現を予測する。
自律運転ベンチマークの実験では、SQSは複数のクエリベースの3D知覚タスクでかなりのパフォーマンス向上を達成している。
論文 参考訳（メタデータ） (2025-09-20T09:25:19Z) - MobiGPT: A Foundation Model for Mobile Wireless Networks [7.221076520919785]
将来のモバイルネットワークは、通勤、生産、日常生活、エンターテイメントのための膨大なサービスとリソースを提供する。
現在の予測パラダイムは、排他的なデータ型に適したモデルを備えたカスタマイズされた設計に依存している。
モバイルデータ予測のための基礎モデルであるMobiGPTを3種類のデータ型を予測可能な統一構造で設計する。
論文 参考訳（メタデータ） (2025-09-17T08:59:56Z) - Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。
本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
論文 参考訳（メタデータ） (2025-02-06T13:23:53Z) - ML KPI Prediction in 5G and B5G Networks [0.824969449883056]
エンド・ツー・エンド(E2E)ネットワークスライスを持つ5GおよびB5Gネットワークのスループットを推定するために使用される機械学習(ML)モデルを提案する。
予測スループットと現在のネットワーク状態を組み合わせることで,他のネットワーク評価の見積を導出する。
論文 参考訳（メタデータ） (2024-04-01T23:34:28Z) - A Scalable and Generalizable Pathloss Map Prediction [34.218755255879096]
我々はPMNetと呼ばれるデータ駆動型無モデルパスロスマップ予測(PMP)手法を提案する。
PMNetは限られた量のRT(またはチャネル計測)データとマップデータに基づいて訓練される。
数ミリ秒で、高い精度(RMSEレベル10-2$)で位置上のパスロスを予測することができる。
論文 参考訳（メタデータ） (2023-12-06T23:22:49Z) - Machine Learning for QoS Prediction in Vehicular Communication:
Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。
収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。
我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文 参考訳（メタデータ） (2023-02-23T12:29:20Z)
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。