論文の概要: A Self-Calibrating Agentic AI Framework for Autonomous Edge Resource Allocation
- arxiv url: http://arxiv.org/abs/2607.22400v1
- Date: Fri, 24 Jul 2026 15:21:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.167537
- Title: A Self-Calibrating Agentic AI Framework for Autonomous Edge Resource Allocation
- Title（参考訳）: 自律エッジリソース割り当てのためのセルフキャリブレーションエージェントAIフレームワーク
- Abstract要約: 大規模言語モデル(LLM)は、静的な会話インターフェイスから複雑な推論、ツールの実行、意思決定が可能な動的システムに移行する、自律的なエージェントとしてますます多くデプロイされている。
LLM駆動システム内での自律的完全性を実現するために設計されたエージェントAIフレームワークを提案し,実験的に評価する。
本研究では, ARIMA予測器を組み込むことにより, 流れを緩和し, 地上の真実を動的に近似する自己校正機構を設計する。
- 参考スコア（独自算出の注目度）: 2.131323683158522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large Language Models (LLMs) are increasingly deployed as autonomous agents, transitioning from static conversational interfaces to dynamic systems capable of complex reasoning, tool execution, and decision-making. However, the operational reliability of these agentic AI systems is fundamentally challenged by the absence of reliable ground truth in open-ended environments and the risk of increasing operational drift over time. To address this challenge, we propose and experimentally evaluate an agentic AI framework, designed to enforce autonomous integrity within LLM-driven systems. We design a self-calibration mechanism that mitigates drift and dynamically approximates ground truth by incorporating an ARIMA forecaster, without requiring continuous human oversight. To demonstrate the effectiveness and reliability of our methodology, we apply it to the complex domain of profiling the resource usage of zero-knowledge workloads in edge computing networks. Experimental results show that the proposed self-calibrating agentic framework successfully profiles the zero-knowledge workloads, achieving a higher accuracy than baseline LLM agents by 91.7% for resource usage prediction and improving the prediction speed by 71.7% compared to pure profiling, establishing a robust foundation for deploying autonomous AI in decentralized infrastructures. Furthermore, the ground truth generation using the proposed ARIMA leaping algorithm is 52% faster than a standard ARIMA forecasting algorithm, while achieving the same accuracy.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、静的な会話インターフェイスから複雑な推論、ツールの実行、意思決定が可能な動的システムに移行する、自律的なエージェントとしてますます多くデプロイされている。
しかしながら、これらのエージェントAIシステムの運用信頼性は、オープンエンド環境における信頼性の高い基礎的真実の欠如と、時間の経過とともに運用上のドリフトが増加するリスクにより、根本的な課題である。
この課題に対処するために,LLM駆動システム内の自律的完全性を実現するために設計されたエージェントAIフレームワークを提案し,実験的に評価する。
本研究では, ARIMA予測器を組み込むことにより, 流れを緩和し, 地上の真実を動的に近似する自己校正機構を設計する。
提案手法の有効性と信頼性を実証するために,エッジコンピューティングネットワークにおけるゼロ知識ワークロードのリソース利用をプロファイリングする複雑な領域に適用する。
実験結果から,提案した自己校正型エージェントフレームワークはゼロ知識ワークロードのプロファイリングに成功し,リソース使用量の予測に91.7%,予測速度を71.7%向上し,分散インフラストラクチャに自律的AIをデプロイするための堅牢な基盤を確立した。
さらに、提案したARIMA跳躍アルゴリズムを用いた基底真理生成は、同じ精度で標準的なARIMA予測アルゴリズムよりも52%高速である。
関連論文リスト
- Edge-AI-Driven Learning-to-Rank for Decentralized Task Allocation in Circular Smart Manufacturing [54.4933359656657]
本研究は,ランクアウェア交渉に基づくエッジAI駆動型分散タスク割り当てフレームワークを提案する。
ランキング対応の定式化は、最終的に学習目標を再認識し、勝者選択の順序付けに基づく性質に適合する。
その結果, 高負荷下での遅延および期限順守が向上し, より厳密な制約下でのエネルギー効率が向上した。
論文 参考訳（メタデータ） (2026-05-14T20:38:25Z) - Trustworthy AI: Ensuring Reliability and Accountability from Models to Agents [2.3407932351117324]
機械学習(ML)システムの信頼性と説明責任を保証するための理論的保証付きアルゴリズムを開発する。
この論文は、情報理論、最適化、統計的学習に基づくツールを導入し、バイアスを緩和し、任意の決定を減らし、コンテンツの証明を保証する。
大規模言語モデル(LLM)の透かしによる生成AIにおける説明責任の確保
論文 参考訳（メタデータ） (2026-05-09T14:11:36Z) - Intelligent Autonomous Orchestration for Distributed Cloud Resources using Complex-Stability Analysis [0.0]
C-SAS(Complex-Stability Aware Scaling)は、インテリジェントな自律オーケストレーションフレームワークである。
C-SASは安定性に配慮したエージェントとして機能し、テレメトリノイズを$s$プレーン上の"Safety Envelope"に変換する。
その結果、C-SASはVMのフラッピングを94%削減し、リソース効率は96%低下した。
論文 参考訳（メタデータ） (2026-05-02T08:57:50Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。
近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。
本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
論文 参考訳（メタデータ） (2025-12-22T15:03:57Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - Approaches to Analysis and Design of AI-Based Autonomous Vehicles [12.672967565682724]
AIベースのフィードバックを通じてループを閉じると、自律運転の信頼性に重大なリスクが生じる可能性がある。
本稿では,AIに基づくAVクラスのためのモデリング,解析,合成のためのツールを開発することを目的とする。
論文 参考訳（メタデータ） (2025-09-15T17:32:29Z) - Agentic Reinforced Policy Optimization [66.96989268893932]
検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。
現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。
エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
論文 参考訳（メタデータ） (2025-07-26T07:53:11Z) - SEEA-R1: Tree-Structured Reinforcement Fine-Tuning for Self-Evolving Embodied Agents [58.174206358223415]
自己進化型エボダイドエージェント(SeEA-R1)は、自己進化型エボダイドエージェント用に設計された最初の強化微細調整フレームワークである。
本研究は,SEEA-R1が自律適応と報酬駆動型自己進化をサポートすることを示す。
論文 参考訳（メタデータ） (2025-06-26T18:00:07Z) - The Cost of Dynamic Reasoning: Demystifying AI Agents and Test-Time Scaling from an AI Infrastructure Perspective [3.0868637098088403]
大規模言語モデル(LLM)ベースのAIエージェントは最近、動的推論を採用することで、印象的な汎用性を示した。
本稿では,AIエージェントを包括的に分析し,リソース使用量,遅延動作,エネルギー消費,テストタイムスケーリング戦略を定量化する。
その結果,エージェントは計算量の増加によって精度が向上する一方で,急速に低下するリターン,レイテンシのばらつきの拡大,持続不可能なインフラストラクチャコストに悩まされていることがわかった。
論文 参考訳（メタデータ） (2025-06-04T14:37:54Z) - Agent Q: Advanced Reasoning and Learning for Autonomous AI Agents [44.34340798542]
大きな言語モデル(LLM)は、複雑な推論を必要とする自然言語タスクにおいて顕著な能力を示している。
静的データセットに対する従来の教師付き事前トレーニングは、自律的なエージェント機能を実現するには不十分である。
本稿では,モンテカルロ木探索(MCTS)を自己批判機構と組み合わせ,エージェント間相互作用を反復的に微調整するフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-13T20:52:13Z) - LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。
この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
論文 参考訳（メタデータ） (2024-05-23T11:10:32Z)
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。