論文の概要: Intent Engine: Natural-Language Intent Translation for Intent-Driven Orchestration in the Compute Continuum
- arxiv url: http://arxiv.org/abs/2608.20388v1
- Date: Tue, 30 Jun 2026 14:13:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.295435
- Title: Intent Engine: Natural-Language Intent Translation for Intent-Driven Orchestration in the Compute Continuum
- Title（参考訳）: Intent Engine:Compute ContinuumにおけるIntent-Driven OrchestrationのためのNatural-Language Intent Translation
- Abstract要約: 本稿では,計算連続型サービス配置のための検証済みSLOアーチファクトを構成する自然言語インテントアーキテクチャであるIntent Engineについて述べる。
Intrepid Engineは、既存のインテント駆動オーケストレーションおよび配置フレームワークのための意図獲得およびSLO構築層として機能する。
- 参考スコア（独自算出の注目度）: 0.12891210250935145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Microservice placement in the compute continuum is driven by low-level Service-level Objectives (SLOs), but requiring users to specify metric-level constraints creates an adoption barrier and increases misconfiguration risk. Although large language models (LLMs) can interpret natural-language intents, direct generation of orchestration-consumable SLO artifacts remains unreliable due to unsupported constraints, incorrect grounded values, and schema violations. These errors can propagate to downstream placement logic and produce infeasible or incorrect placements. This paper presents Intent Engine, a natural-language intent translation architecture that constructs validated SLO artifacts for compute-continuum service placement. Intent Engine acts as an intent acquisition and SLO construction layer for existing intent-driven orchestration and placement frameworks; it does not perform placement or runtime QoS optimization. The architecture combines schema-constrained extraction, retrieval-grounded value construction from monitored infrastructure state, and validation against supported constraints before emitting the final SLO artifact. We evaluate Intent Engine using a 716-record intent-to-SLO dataset derived from an edge-cloud testbed, including valid and invalid intents. Across GPT-4.1 mini, Claude Sonnet 4.5, and DeepSeek V4-Flash, Intent Engine outperforms prompting baselines and a non-LLM rule-based parser. With GPT-4.1 mini, it achieves 0.941 total F1 Score and reduces aggregate hallucination by 85.1%, while lowering downstream placement failure from 30.8% to 2.1%.
- Abstract（参考訳）: 計算連続体内のマイクロサービス配置は、低レベルのサービスレベルオブジェクト(SLO)によって駆動されるが、ユーザがメトリックレベルの制約を指定する必要があると、採用障壁が発生し、設定ミスのリスクが増大する。
大規模言語モデル (LLM) は自然言語の意図を解釈できるが、オーケストレーション可能なSLOアーティファクトの直接生成は、サポートされていない制約、誤った基底値、スキーマ違反のために信頼性が低いままである。
これらのエラーは下流の配置ロジックに伝播し、不可能または誤った配置を生成する。
本稿では、計算連続サービス配置のための検証済みSLOアーティファクトを構築する自然言語意図翻訳アーキテクチャであるIntent Engineについて述べる。
Intent Engineは、既存のインテント駆動オーケストレーションおよび配置フレームワークのための意図獲得およびSLO構築層として機能する。
アーキテクチャは、スキーマ制約付き抽出、監視されたインフラストラクチャ状態からの検索基底値の構築、最終的なSLOアーティファクトを出力する前にサポートされた制約に対する検証を組み合わせる。
エッジクラウドテストベッドから抽出した716-record intent-to-SLOデータセットを用いて,有効かつ無効なインテントを含むIntent Engineを評価する。
GPT-4.1 mini、Claude Sonnet 4.5、DeepSeek V4-Flashの他、Intent Engineはベースラインと非LLMルールベースのパーサよりも優れていた。
GPT-4.1 miniでは、総F1スコア0.941を達成し、総幻覚を85.1%減少させ、下流の配置障害を30.8%から2.1%に下げる。
関連論文リスト
- Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。
生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。
現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
論文 参考訳（メタデータ） (2026-08-17T09:53:27Z) - IACM-RL: Intent-Aware Context Management and Reinforcement Learning for Complex Tool Invocation under Dynamic Intent Fluctuations [86.93902234336393]
IACM-RLは、堅牢なツール呼び出しのための包括的なフレームワークである。
我々は、13のきめ細かいゆらぎシナリオにまたがる軌道を合成するDynamicIntentパイプラインを導入する。
第2に、IACM-RLはBeliefStateベースのセルフ生成コンテキストマネージャをデプロイする。
論文 参考訳（メタデータ） (2026-08-03T12:09:50Z) - Offline Vision-Language Navigation with Geometric Goal Localization for Outdoor Environments [0.0]
ファンデーションモデルに基づく視覚言語ナビゲーション(VLN)は、ロボットが自然言語の指示を解釈できるようにすることにより、高度な自律型ロボットナビゲーションを提供する。
既存のVLNシステムは、言語理解とセマンティックグラウンドリングのために、クラウドでホストされた基礎モデルに大きく依存している。
本稿では,屋外環境における完全搭載VLNへの3つの貢献について述べる。
論文 参考訳（メタデータ） (2026-07-24T11:49:25Z) - Selective Capability Unlearning in End-to-End Spoken Language Understanding [2.2373411568845225]
自己回帰モデルでは、対象の意図を抑圧することは、その意図に条件付けされたスロットを生成する条件マッピングを排除しない。
このマッピングの基盤となる意図条件付き方向を分離するフレームワークであるtextitunderline BindingSubspace (BSU) を提案する。
論文 参考訳（メタデータ） (2026-06-23T02:13:00Z) - Less Is More: Engineering Challenges of On-Device Small Language Model Integration in a Mobile Application [0.0]
オンデバイススモールランゲージモデル(SLM)は、モバイルユーザ(クラウド依存がなく、デバイスを離れるデータもない)に対して、完全にオフラインでプライベートなAIエクスペリエンスを約束する。
本稿では,SLMをPalbritaに組み込むことによるエンジニアリング上の課題を,AndroidのワードガッセングゲームであるPalbritaに記録するケーススタディについて述べる。
論文 参考訳（メタデータ） (2026-04-27T16:05:39Z) - OrgForge-IT: A Verifiable Synthetic Benchmark for LLM-Based Insider Threat Detection [0.0]
本稿では,決定論的シミュレーションエンジンが基底真理を維持し,言語モデルが表面の散文のみを生成する検証可能な合成ベンチマークを提案する。
コーパスは51日の模擬日、2,904回のテレメトリ記録を96.4%のノイズレートで記録し、単面と単日のトリアージ戦略を破るために設計された4つの検出シナリオをカバーしている。
論文 参考訳（メタデータ） (2026-03-23T19:03:53Z) - Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。
ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
論文 参考訳（メタデータ） (2026-01-20T06:42:56Z) - VIRO: Robust and Efficient Neuro-Symbolic Reasoning with Verification for Referring Expression Comprehension [51.76841625486355]
Referring Expression (REC) は、自然言語クエリに対応する画像領域をローカライズすることを目的としている。
最近のニューロシンボリックRECアプローチは、大規模言語モデル(LLM)と視覚言語モデル(VLM)を利用して構成推論を行う。
推論ステップ内に軽量な演算子レベルの検証器を組み込む,ニューロシンボリックなフレームワークであるVIROを紹介する。
論文 参考訳（メタデータ） (2026-01-19T07:21:19Z) - AutoLayout: Closed-Loop Layout Synthesis via Slow-Fast Collaborative Reasoning [102.71841660031065]
Autoは、クローズドループの自己検証プロセスをデュアルシステムフレームワークに統合する、完全に自動化された方法である。
Autoの有効性は8つの異なるシナリオで検証され、SOTA法よりも10.1%改善された。
論文 参考訳（メタデータ） (2025-07-06T08:35:22Z) - STOP: A dataset for Spoken Task Oriented Semantic Parsing [66.14615249745448]
エンドツーエンド音声言語理解(SLU)は単一モデルを用いて音声から直接意図を予測する。
Spoken Task-Oriented semantic Parsing (STOP) データセットをリリースします。
人間が録音した音声に加えて、我々はTS生成バージョンをリリースし、エンド・ツー・エンドのSLUシステムの低リソース領域適応の性能をベンチマークする。
論文 参考訳（メタデータ） (2022-06-29T00:36:34Z)
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。