論文の概要: An LLM-Based Framework for Intent-Driven Network Topology Design

• arxiv url: http://arxiv.org/abs/2607.00292v1
• Date: Wed, 01 Jul 2026 00:38:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.673221
• Title: An LLM-Based Framework for Intent-Driven Network Topology Design
• Title（参考訳）: インテント駆動型ネットワークトポロジ設計のためのLLMフレームワーク
• Authors: Kholoud El-Habbouli, Fen Zhou, Stephane Huet,
• Abstract要約: 本研究では,大規模言語モデルが構造的に妥当で制約に順応するネットワークトポロジを生成する能力について検討する。 このフレームワークは、4つの現実的なネットワークシナリオにわたるプロプライエタリおよびオープンウェイトLLMのマルチモデル比較によって評価される。 全体として、この研究は、LLMがトポロジー合成における構造的およびレジリエンス的制約をどのように扱うかを理解するための体系的なベンチマークを提供する。
• 参考スコア（独自算出の注目度）: 0.8538830579425146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing deployable and resilient network topologies from natural language requirements remains a challenging problem in network automation. This work investigates the ability of Large Language Models (LLMs) to generate structurally valid and constraint-compliant network topologies through a constraint-driven pipeline combining hierarchical modeling and systematic validation. The framework is evaluated via a multimodel comparison of proprietary and open-weight LLMs across four realistic network scenarios released as a public dataset. We assess structural correctness using node and edge F1-scores against reference topologies, and evaluate resilience through server and content connectivity metrics. In addition, we analyze common failure modes, including interface mismatches and directional inconsistencies in generated topologies. Overall, this work provides a systematic benchmark for understanding how LLMs handle structural and resilience constraints in topology synthesis, and supports informed model selection for AI-driven network design.
• Abstract（参考訳）: 自然言語要求からデプロイ可能でレジリエントなネットワークトポロジを設計することは、ネットワーク自動化において依然として難しい問題である。 本研究では、階層的モデリングと体系的検証を組み合わせた制約駆動パイプラインを通じて、構造的に妥当で制約に準拠するネットワークトポロジを生成するための、LLM(Large Language Models)の能力について検討する。 このフレームワークは、パブリックデータセットとしてリリースされた4つの現実的なネットワークシナリオに対して、プロプライエタリなLLMとオープンウェイトなLLMのマルチモデル比較を通じて評価される。 我々は,ノードとエッジF1スコアを用いて参照トポロジに対して構造的正当性を評価し,サーバおよびコンテンツ接続メトリクスによるレジリエンスを評価する。 さらに、インターフェースミスマッチや、生成されたトポロジの方向性の不整合など、一般的な障害モードを分析します。 全体として、この研究は、LLMがトポロジー合成における構造的およびレジリエンス的制約をどのように扱うかを理解するための体系的なベンチマークを提供し、AI駆動ネットワーク設計のための情報モデル選択をサポートする。

関連論文リスト

• Automatic Ontology Construction Using LLMs as an External Layer of Memory, Verification, and Planning for Hybrid Intelligent Systems [0.0]
  本稿では,大規模言語モデル(LLM)を外部オントロジメモリ層で拡張したインテリジェントシステムのためのハイブリッドアーキテクチャを提案する。 提案手法は,RDF/OWL表現を用いた構造化知識グラフの構築と維持を行う。
  論文  参考訳（メタデータ） (2026-04-22T17:19:43Z)
• OOWM: Structuring Embodied Reasoning and Planning via Object-Oriented Programmatic World Modeling [62.3458279176813]
  ソフトウェア工学のフォーマリズムのレンズを通して推論を具体化する新しいフレームワークであるオブジェクト指向世界モデリング(OOWM)を提案する。 OOWMはクラスダイアグラムを使用して、厳密なオブジェクト階層に視覚的知覚を基盤とし、アクティビティダイアグラムを使用して、計画を実行可能な制御フローに運用する。
  論文  参考訳（メタデータ） (2026-02-25T16:01:07Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• Closed-Loop LLM Discovery of Non-Standard Channel Priors in Vision Models [48.83701310501069]
  大規模言語モデル(LLM)はニューラルアーキテクチャサーチ(NAS)に対する変換的アプローチを提供する 我々は、LLMが性能テレメトリに基づいてアーキテクチャ仕様を洗練する条件付きコード生成タスクのシーケンスとして検索を定式化する。 AST(Abstract Syntax Tree)変異を用いて,有効かつ整合性のあるアーキテクチャの膨大なコーパスを生成する。 CIFAR-100の実験結果は、この手法の有効性を検証し、精度の統計的に有意な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2026-01-13T13:00:30Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Information Filtering Networks: Theoretical Foundations, Generative Methodologies, and Real-World Applications [2.44755919161855]
  情報フィルタリングネットワーク(IFN)は複雑なシステムをモデリングするための強力なフレームワークを提供する。 本総説では, IFNの理論的基礎, 施工方法, 多様な応用について概説する。 アプリケーションは金融、生物学、心理学、人工知能などの分野にまたがっており、IFNは解釈可能性、計算効率、予測性能を改善している。
  論文  参考訳（メタデータ） (2025-05-02T12:30:17Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Semi-Structured Distributional Regression -- Extending Structured Additive Models by Arbitrary Deep Neural Networks and Data Modalities [0.0]
  本稿では、構造化回帰モデルとディープニューラルネットワークを統合ネットワークアーキテクチャに結合する一般的なフレームワークを提案する。 数値実験において,本フレームワークの有効性を実証し,ベンチマークや実世界の応用において,そのメリットを実証する。
  論文  参考訳（メタデータ） (2020-02-13T21:01:26Z)

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。