論文の概要: Untangling Co-Drift: Proactive Multi-Intent Failure Prediction and Root-Cause Disambiguation for Self-Driving Networks

• arxiv url: http://arxiv.org/abs/2607.25989v1
• Date: Tue, 28 Jul 2026 17:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.94252
• Title: Untangling Co-Drift: Proactive Multi-Intent Failure Prediction and Root-Cause Disambiguation for Self-Driving Networks
• Title（参考訳）: アンタングリングコドリフト: 自律ネットワークにおける積極的マルチインテント故障予測とルートカスの曖昧化
• Abstract要約: 反応ドリフト検出から積極的故障予測への意図保証を再構築するフレームワークであるMILDを紹介する。 MILDは高い故障検出率と根本原因検出への強い依存を実現する。 このMILDイネーブルは、次世代自律ネットワークにおけるクローズループ保証の実用的な実現方法である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The vision of self-driving networks that monitor, reason, and act upon themselves with minimal human intervention relies on tightly coupled monitoring, analytics, and actuation functions. In this work, we treat these functions as three operational macro-intents: continuous telemetry, real-time analytics, and programmatic actuation, and formalize the health of each function as an intent that the network must continuously satisfy. A critical, yet underexplored, challenge stems from the causal coupling among these intents, where a singular fault within one macro-intent propagates as a co-drift and subsequently triggers cascading, symptomatic anomalies across the remaining intents. This ambiguity makes it exceedingly difficult for existing, reactive approaches to distinguish the true root-cause intent from symptomatic victim intents, and their reliance on threshold-crossing detection leaves insufficient time for proactive remediation. We introduce MILD, a novel framework that reformulates intent assurance from reactive drift detection to proactive failure prediction. Grounded in our three-macro-intent formulation of the self-driving control loop, MILD employs a teacher-augmented Mixture-of-Experts architecture with a hybrid objective that jointly optimizes intent failure prediction and root-cause attribution. MILD enables KPI-level diagnostics via SHAP explainability and dynamic intent failure urgency estimation via multi-horizon modeling. Our extensive evaluation of MILD across three environments of increasing realism, from a controlled statistical benchmark, to a microservices application, to an SDN-based edge-to-cloud testbed, demonstrates that MILD achieves high failure detection rates, strong remediation lead times, and accurate intent-level root-cause disambiguation. This positions MILD as a practical enabler of closed-loop assurance in next-generation autonomous networks.
• Abstract（参考訳）: 人間の介入を最小限に抑えた監視、推論、行動を行う自動運転ネットワークのビジョンは、密結合した監視、分析、アクティベーション機能に依存している。 本研究では,これらの機能を,連続的遠隔計測,リアルタイム解析,プログラム的動作の3つの操作的マクロインテントとして扱うとともに,ネットワークが継続的に満たさなければならない意図として,各関数の健康を形式化する。 批判的だが未解明の課題は、これらの意図の因果結合に起因し、1つのマクロインテント内の特異な断層が共ドリフトとして伝播し、その後、残りの意図にまたがってカスケード、シンプティックな異常を引き起こす。 この曖昧さは、既存の反応的なアプローチが、症状による犠牲者の意図と真の根本原因の意図を区別するのを極めて困難にし、しきい値交差検出への依存は、予防的治療に十分な時間を残している。 反応ドリフト検出から積極的故障予測への意図保証を再構築する新しいフレームワークであるMILDを紹介する。 MILDは、自動運転制御ループの3つのマクロインテントな定式化に基づいて、教師が拡張したMixture-of-Expertsアーキテクチャを採用し、意図的障害予測と根本原因帰属を共同で最適化する。 MILDは、SHAPによるKPIレベルの診断とマルチホライゾンモデリングによる動的インテント障害緊急推定を可能にする。 制御された統計ベンチマークからマイクロサービスアプリケーション、SDNベースのエッジ・ツー・クラウドテストベッドに至るまで、MILDが高障害検出率、強力な修正リードタイム、正確なインテントレベルの根本原因の曖昧さを達成することを示す3つの環境にわたるMILDの広範な評価を行った。 これにより、MILDは次世代自律ネットワークにおけるクローズドループ保証の実用的実現の手段として位置づけられる。

関連論文リスト

• Operational Hallucination and Safety Drift in AI Agents [0.3823356975862005]
  ツール使用自律エージェントのプランナーとして機能する大規模言語モデル(LLM)は、マルチターン実行における動的信頼性のリスクを導入する。 本稿では,複数のLLM(Safety Drift)とOperational Hallucination(Operational Hallucination)の2つの障害モードを実証的に特徴付ける。 本稿では、インテント-アクション整合性チェック、状態追跡、強制終了プリミティブを組み込んだ、軽量でプラグ&プレイのアーキテクチャ青写真であるAction-Aware Supervision Layerを提案する。
  論文  参考訳（メタデータ） (2026-07-20T17:01:50Z)
• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• Perception Without Engagement: Dissecting the Causal Discovery Deficit in LMMs [68.58207076756237]
  本稿では,結果評価からメカニズム診断へ移行する摂動に基づく評価プロトコルProCauEvalを紹介する。 因果推論において,ビデオコンテンツは体系的に過小評価されている。 教師のネガティブなアライメントに基づく強化学習フレームワークであるADPOを提案する。
  論文  参考訳（メタデータ） (2026-05-10T08:48:58Z)
• MILD: Multi-Intent Learning and Disambiguation for Proactive Failure Prediction in Intent-based Networking [0.0]
  マルチインテントインテントベースのネットワークでは、複数のインテントがシンプレクティックな劣化を示すコドリフトを単一障害が引き起こすことがある。 反応ドリフト検出から固定水平故障予測への意図保証を再構築するプロアクティブフレームワークであるMILDを提案する。
  論文  参考訳（メタデータ） (2026-02-15T19:15:33Z)
• LEAD-Drift: Real-time and Explainable Intent Drift Detection by Learning a Data-Driven Risk Score [0.0]
  インテントドリフト(Intent drift)とは、ネットワークが意図した目標から逸脱し、しばしばサイレントな失敗に繋がる場所である。 本稿では,意図的ドリフトをリアルタイムで検出し,アクティブな障害防止を実現するフレームワークであるLEAD-Driftを提案する。 我々の評価では、LEAD-Driftは警告をかなり早く提供し、平均リード時間を7.3分改善している。
  論文  参考訳（メタデータ） (2026-02-14T08:46:12Z)
• Agent Drift: Quantifying Behavioral Degradation in Multi-Agent LLM Systems Over Extended Interactions [0.0]
  エージェントドリフト(エージェントドリフト)は、エージェントの挙動、決定品質、およびエージェント間コヒーレンスを、拡張された相互作用シーケンス上で段階的に劣化させる。 12次元にわたるドリフトを定量化するための新しい合成計量であるエージェント安定度指数(ASI)を導入する。 未確認エージェントドリフトがタスク完了精度を大幅に低下させ、人間の介入要求が増大することを示す。
  論文  参考訳（メタデータ） (2026-01-07T18:37:26Z)
• YOLO-IOD: Towards Real Time Incremental Object Detection [57.862742461237055]
  本稿では、事前訓練されたYOLO-Worldモデルに基づいて構築されたリアルタイムインクリメンタルオブジェクト検出(IOD)フレームワークであるYOLO-IODを紹介する。 YOLO-IODは3つの主要な構成要素を含む: 1) 衝突を意識した擬似ラベルリファインメント(CPR)は、前景と背景の混乱を緩和する。 また, クロスステージ非対称な知識蒸留法 (CAKD) を導入する。
  論文  参考訳（メタデータ） (2025-12-28T15:35:26Z)
• DynaCausal: Dynamic Causality-Aware Root Cause Analysis for Distributed Microservices [17.058900957896864]
  DynaCausalは、分散マイクロサービスシステムにおける原因分析のための動的因果認識フレームワークである。 我々は、DynaCausalが最先端の手法を一貫して超え、平均AC@1が0.63で、絶対利得が0.25から0.46であることを示す。
  論文  参考訳（メタデータ） (2025-10-26T10:13:18Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)

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。