論文の概要: Handover Analysis for Vehicular Communication with Explainability on the Fly

• arxiv url: http://arxiv.org/abs/2608.14820v1
• Date: Fri, 14 Aug 2026 18:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.093787
• Title: Handover Analysis for Vehicular Communication with Explainability on the Fly
• Title（参考訳）: 飛行時の説明可能性を考慮した船体通信のハンドオーバ解析
• Abstract要約: 車両ネットワークにおけるハンドオーバ(HO)管理は、動的条件下での高速かつ信頼性の高い意思決定を必要とする。 本論文は,本質的な解釈可能なモデルを用いた説明可能性の観点からのHO検出について検討する。
• 参考スコア（独自算出の注目度）: 5.849736173068869
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Handover (HO) management in vehicular networks requires fast and reliable decision-making under highly dynamic conditions. While machine learning (ML) approaches can improve HO detection by capturing complex relationships among various key performance indicators (KPIs), their black-box nature limits interpretability and operator trust. To address this, this paper investigates HO detection from an explainability-on-the-fly perspective using inherently interpretable models based on the functional analysis of variance (fANOVA) framework. The proposed models are evaluated using two real-world operator datasets and compared against a Long Short-Term Memory baseline augmented with post-hoc SHAP explanations. Unlike post-hoc approaches, the proposed framework enables immediate interpretation of model decisions without incurring additional computational overhead. This capability is particularly critical for latency-sensitive vehicular networks. The results show that fANOVA-based models achieve competitive detection performance while providing significantly reduced explanation latency compared to conventional post-hoc methods. Furthermore, feature ranking and visualization analyses reveal physically meaningful relationships between KPIs and HO occurrences that align with standardized HO mechanisms. These results demonstrate that inherently interpretable models provide an efficient and transparent solution for HO detection in next-generation vehicular networks.
• Abstract（参考訳）: 車両ネットワークにおけるハンドオーバ(HO)管理は、非常にダイナミックな条件下での高速かつ信頼性の高い意思決定を必要とする。 機械学習(ML)アプローチは、さまざまなキーパフォーマンス指標(KPI)間の複雑な関係をキャプチャすることでHO検出を改善することができるが、ブラックボックスの性質は解釈可能性とオペレータ信頼を制限する。 そこで本研究では,fANOVAフレームワークの機能解析に基づいて,本質的に解釈可能なモデルを用いて,説明可能性の観点からのHO検出について検討する。 提案したモデルは,2つの実世界の演算子データセットを用いて評価し,ポストホックSHAP説明を付加したLong Short-Term Memoryベースラインと比較した。 ポストホックアプローチとは異なり、提案フレームワークは追加の計算オーバーヘッドを発生させることなく、モデル決定の即時解釈を可能にする。 この機能は、特に遅延に敏感な車両ネットワークにおいて重要である。 その結果,fANOVAを用いたモデルでは,従来のポストホック法に比べて説明遅延が大幅に低減され,競合検出性能が向上した。 さらに、特徴ランキングと可視化分析により、標準化されたHO機構と整合したKPIとHOの発生と物理的に意味のある関係が明らかとなった。 これらの結果は、本質的に解釈可能なモデルが、次世代車両ネットワークにおけるHO検出の効率的かつ透明なソリューションを提供することを示す。

関連論文リスト

• Interpretable and Fair Generalized Additive Neural Networks via Multi-objective Learning [52.66717986145448]
  理解可能性と公正性は、信頼できる人工知能(AI)において最も強調される2つの次元の1つである 本稿では,ニューラルネットワーク(NN)に基づく自己解釈可能なモデルであるGAM(Generalized Additive Model)に焦点を当てる。
  論文  参考訳（メタデータ） (2026-09-05T07:29:42Z)
• Structure-Guided Spatiotemporal Attention Graph Neural Network for Traffic Flow Prediction [10.55782327097476]
  本稿では,SGSAN(Structure-Guided Stemporal Attention Graph Neural Network)を提案する。 我々は,SGSANが交通ネットワーク論理と有機的に整合する組込み解釈性を提供しながら,最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2026-08-14T10:46:37Z)
• Causal Model-Based Reinforcement Learning for Sample-Efficient IoT Channel Access [39.76683291751265]
  メディアアクセス制御(MAC)などの無線利用事例に対するマルチエージェント強化学習(MARL)は、そのサンプル非効率によって妨げられる。 本稿では、因果学習からツールを活用することで、因果モデルに基づく新しいMARLフレームワークを開発する。 提案手法は, モデルフリーベースラインに比べて環境相互作用を58%削減し, 収束を高速化する。
  論文  参考訳（メタデータ） (2025-11-13T13:26:33Z)
• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• Understanding GUI Agent Localization Biases through Logit Sharpness [15.986679553468989]
  MLLM(Multimodal large language model)は、GUIエージェントが言語を空間的アクションにグラウンドすることでオペレーティングシステムと対話することを可能にする。 有望な性能にもかかわらず、これらのモデルはしばしば、信頼性を損なう幻覚的局所化誤差を示す。 モデル予測を4つの異なるタイプに分類し,従来の精度測定値を超える不確実な障害モードを明らかにするための,きめ細かい評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-18T12:55:35Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• Interpretable Anomaly Detection in Encrypted Traffic Using SHAP with Machine Learning Models [0.0]
  本研究の目的は,暗号化されたネットワークトラフィックにおける異常検出のための解釈可能な機械学習ベースのフレームワークを開発することである。 モデルはトレーニングされ、3つのベンチマークで暗号化されたトラフィックデータセットで評価される。 SHAPビジュアライゼーションは、異常予測に寄与する最も影響力のあるトラフィック特徴を明らかにした。
  論文  参考訳（メタデータ） (2025-05-22T05:50:39Z)
• Debugging and Runtime Analysis of Neural Networks with VLMs (A Case Study) [20.420310876464924]
  視覚モデルにおける故障局所化のための意味的ヒートマップの有用性を示す。 本稿では,実行時の欠陥を検出しフィルタする軽量なランタイム解析を提案する。
  論文  参考訳（メタデータ） (2025-03-21T01:12:57Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• Correlation Information Bottleneck: Towards Adapting Pretrained Multimodal Models for Robust Visual Question Answering [63.87200781247364]
  相関情報ボトルネック (CIB) は圧縮と表現の冗長性のトレードオフを求める。 マルチモーダル入力と表現の相互情報に対して,理論上界を厳密に導出する。
  論文  参考訳（メタデータ） (2022-09-14T22:04:10Z)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)

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。