論文の概要: LLM-assisted gNB Parameter Configuration for Radio Access Network

• arxiv url: http://arxiv.org/abs/2606.20574v1
• Date: Fri, 01 May 2026 15:27:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:40:36.227258
• Title: LLM-assisted gNB Parameter Configuration for Radio Access Network
• Title（参考訳）: 無線アクセスネットワークのためのLLM支援gNBパラメータ構成
• Abstract要約: gNBパラメータの誤設定は、無線アクセスネットワーク(RAN)におけるシステム障害の一般的な原因である 本稿では,gNBパラメータの自動設定のための大規模言語モデル (LLM) 支援フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.0827963321492184
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: gNB parameter misconfigurations are a common cause of system failures in radio access networks (RANs), and their diagnosis and correction rely on manual analysis of complex network logs that does not scale well. This paper proposes a large language model (LLM)-assisted framework for automatic gNB parameter configuration. The framework adopts a synthetic data generation pipeline following a configuration, log, correction workflow. Starting from a workable configuration and the gNB technical references, the pipeline uses a commercial LLM to generate modified configurations and derive structured reasoning traces from gNB error logs. The synthetic training data maps network states to corrective actions and is used to fine-tune an LLM for configuration correction. During inference, the fine-tuned LLM generates valid and deployable gNB parameter configurations from gNB error logs. The framework is validated on an OpenAirInterface (OAI) gNB testbed with 480 unseen misconfiguration scenarios, where fine-tuning improves correction accuracy from 13.8% (zero-shot baseline) to 85.4%, and retrieval-augmented generation (RAG) further improves accuracy to 92.7%. The results demonstrate that the framework may enable automated recovery from misconfigurations without manual intervention and supports scalable and autonomous RAN operation.
• Abstract（参考訳）: gNBパラメータの誤設定は、LAN(Radio Access Network)におけるシステム障害の一般的な原因であり、その診断と修正は、拡張性に乏しい複雑なネットワークログのマニュアル解析に依存している。 本稿では,gNBパラメータの自動設定のための大規模言語モデル (LLM) 支援フレームワークを提案する。 このフレームワークは、設定、ログ、修正ワークフローに従って、合成データ生成パイプラインを採用する。 実行可能な構成とgNB技術的参照から始めて、パイプラインは商用のLCMを使用して変更された構成を生成し、gNBエラーログから構造化された推論トレースを導出する。 合成トレーニングデータは、ネットワークを補正動作にマップし、設定修正のためにLLMを微調整するために使用される。 推測中、微調整されたLLMは、gNBエラーログから有効かつデプロイ可能なgNBパラメータ設定を生成する。 このフレームワークは、OpenAirInterface (OAI) gNBテストベッドで480の未確認の誤設定シナリオで検証され、微調整により補正精度が13.8%(ゼロショットベースライン)から85.4%に向上し、検索強化生成(RAG)により精度が92.7%向上した。 これらの結果から,手作業による介入を伴わずに,設定ミスからの自動リカバリを可能にし,スケーラブルかつ自律的なRAN操作をサポートする可能性が示唆された。

関連論文リスト

• NetConfArena: An Executable Benchmark for LLM Agents in Closed-Loop Network Configuration [14.126948395559987]
  本稿では,大規模言語モデル (LLM) エージェントをクローズドループネットワーク構成で評価するためのベンチマークであるNetConfArenaを提案する。 このベンチマークは、人間指向のネットワーク材料を再利用可能なパラメータ化タスクテンプレートに変換するLLM支援エミュレーション地上パイプラインに依存している。 96のプロトコル中心のタスクテンプレートからインスタンス化された480のタスクインスタンス上で,代表的なLCMエージェントを評価し,エラーがコマンドエラーに制限されないことを示す。
  論文  参考訳（メタデータ） (2026-08-24T12:26:37Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• Fast Cross-Scenario Adaptation of CSI Models via Channel Conditional Parameter Generation [71.49439535846827]
  Conditional Channel Generation (CCPG) は、動的無線環境におけるCSIモデルの迅速な展開のためのエンドツーエンドパイプラインである。 CCPGは、コンポーネント凍結実験を通じてシーンに敏感な適応ボトルネックを特定し、軽量なLoRA重みのみを生成する。 CSIフィードバックとチャネル推定のためのDeepMIMOとWAIR-Dの実験は、CCPGが1回の前進パスで約3秒で新しいシナリオに適応することを示している。
  論文  参考訳（メタデータ） (2026-06-22T13:20:01Z)
• SCOPE: A Syndrome-Driven Control Plane for QEC-Enabled Quantum Networks [7.746657732894142]
  純受動テレメトリを用いた共同ルーティングと符号化最適化を実現するネットワーク層アーキテクチャSCOPEを提案する。 SCOPEは、標準EMベースラインに対する推定誤差を60%以上削減する。 大規模ネットワークでは、この精度はトポロジーを意識したベースラインに対して論理誤差率を30～35%(最大65%)削減する。
  論文  参考訳（メタデータ） (2026-06-07T23:00:09Z)
• CASS-RTL: Correctness-Aware Subspace Steering for RTL Generation with LLMs [0.0]
  本研究は,LCMの正当性を考慮したコンポーネントの発見と活用を目的とした,一級フレームワークCASS-RTLを提案する。 We observed 10%-20% improve in pass@1/5/10 accuracy on VerilogEval and 5% improve on CVDP。
  論文  参考訳（メタデータ） (2026-06-04T04:02:51Z)
• BLAgent: Agentic RAG for File-Level Bug Localization [2.2917707112773593]
  BLAgentはファイルレベルのバグローカライゼーションのための新しいエージェントRAGフレームワークである。 BLAgentは、オープンソースモデルで78%以上のTop-1精度を達成した。 BLAgentは、エンドツーエンドの修復の成功を20%以上改善する。
  論文  参考訳（メタデータ） (2026-05-18T07:20:13Z)
• Rewarding the Scientific Process: Process-Level Reward Modeling for Agentic Data Analysis [68.28714988482703]
  プロセス・リワード・モデル(PRM)は、LLM(Large Language Models)の推論能力を増強することに成功した。 本稿では,一般ドメインのPRMがデータ分析エージェントの監督に苦慮していることを示す。 本稿では,新しい環境対応生成プロセス報酬モデルであるDataPRMを紹介する。
  論文  参考訳（メタデータ） (2026-04-27T09:00:30Z)
• GLM-OCR Technical Report [65.42028025507491]
  GLM-OCRは実世界の文書理解のために設計された効率的なコンパクトモデルである。 CogViTビジュアルエンコーダとGLM言語デコーダを組み合わせることで、計算効率と認識性能のバランスが強い。 公開ベンチマークと産業シナリオの大規模な評価は、GLM-OCRが競争力や最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-03-11T15:55:47Z)
• RIVA: Leveraging LLM Agents for Reliable Configuration Drift Detection [3.494935876363005]
  既存のエージェントシステムは、彼らが呼び出すツールが常に正しい出力を返すと暗黙的に仮定している。 我々は,ツールが誤りや誤解を招く出力を生成する場合でも,堅牢なIaC検証を行う,新しいマルチエージェントシステムであるRIVAを紹介する。 この結果から,多種多様なツールコールの相互検証により,実運用環境におけるより信頼性の高い自律的インフラストラクチャ検証が可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-02T19:28:27Z)
• Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
  本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。 RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
  論文  参考訳（メタデータ） (2026-02-26T02:45:22Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Low-Rank Representations Meets Deep Unfolding: A Generalized and Interpretable Network for Hyperspectral Anomaly Detection [41.50904949744355]
  現在のハイパースペクトル異常検出(HAD)ベンチマークデータセットは、低解像度、単純なバックグラウンド、検出データの小さなサイズに悩まされている。 これらの要因は、ロバスト性の観点からよく知られた低ランク表現(LRR)モデルの性能も制限する。 我々は、複雑なシナリオにおけるHADアルゴリズムの堅牢性を改善するために、新しいHADベンチマークデータセットであるAIR-HADを構築した。
  論文  参考訳（メタデータ） (2024-02-23T14:15:58Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)

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。