論文の概要: Diffusion Language Models for Mobile Edge Agentic AI: Foundations, Applications, and Challenges
- arxiv url: http://arxiv.org/abs/2609.04778v1
- Date: Fri, 04 Sep 2026 06:16:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.930959
- Title: Diffusion Language Models for Mobile Edge Agentic AI: Foundations, Applications, and Challenges
- Title（参考訳）: モバイルエッジエージェントAIのための拡散言語モデル - 基礎、応用、課題
- Abstract要約: 拡散言語モデル(DLM)は、モバイルエッジエージェント人工知能(AI)の非自己回帰的な代替手段を提供する
DLMは複数の不確実なトークンを並列に更新し、生成プロセスを通して双方向のコンテキストを利用することができる。
この調査は、DLMの基礎をレビューし、レイテンシ、メモリ、エネルギ、帯域幅、プライバシ、信頼性制約の下でのエッジ設定に対する適合性を分析します。
- 参考スコア（独自算出の注目度）: 58.887152635127165
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion language models (DLMs) offer a non-autoregressive alternative for mobile edge agentic artificial intelligence (AI) by refining tokens through iterative denoising rather than left-to-right decoding. Compared with autoregressive Transformer-based large language models (LLMs), DLMs can update multiple uncertain tokens in parallel and exploit bidirectional context throughout the generation process, enabling more flexible quality-latency trade-offs beyond fixed sequential decoding. These properties are particularly attractive for edge agents, where partial refinement, early exit, and constraint-guided correction can reduce response delay and communication overhead while improving robustness under noisy, incomplete, or dynamic contexts. This survey reviews DLM foundations and analyzes their suitability for edge settings under latency, memory, energy, bandwidth, privacy, and reliability constraints. We cover resource-efficient architectures, training and inference acceleration, compression, edge/cloud deployment, communication-aware serving, Internet of Things (IoT)/wireless applications, and evaluation of DLM-based agents. We further discuss open issues in long-context state management, split inference, trustworthy execution, multimodal grounding, and reproducible benchmarking. The goal is to connect DLM modeling properties, including bidirectionality, parallel refinement, controllability, and quality-latency elasticity, with system-level requirements of future mobile edge intelligence.
- Abstract（参考訳）: 拡散言語モデル(DLM)は、左から右への復号化ではなく反復的復号化を通じてトークンを精錬することで、モバイルエッジエージェント人工知能(AI)の非自己回帰的な代替手段を提供する。
自動回帰トランスフォーマーベースの大規模言語モデル(LLM)と比較すると、DLMは複数の不確実なトークンを並列に更新し、生成プロセスを通して双方向のコンテキストを活用でき、固定シーケンスデコーディングを超えてより柔軟な品質とレイテンシのトレードオフを可能にする。
これらの特性は、部分的な洗練、早期出口、制約誘導補正により、ノイズ、不完全、動的コンテキスト下での堅牢性を改善しながら、応答遅延と通信オーバーヘッドを低減できるエッジエージェントにとって特に魅力的である。
この調査は、DLMの基礎をレビューし、レイテンシ、メモリ、エネルギ、帯域幅、プライバシ、信頼性制約の下でのエッジ設定に対する適合性を分析します。
我々は、リソース効率の高いアーキテクチャ、トレーニングと推論の加速、圧縮、エッジ/クラウドデプロイメント、通信対応サービス、IoT(Internet of Things)/ワイヤレスアプリケーション、DLMベースのエージェントの評価について取り上げる。
さらに,長期状態管理,分割推論,信頼に値する実行,マルチモーダルグラウンド,再現可能なベンチマークといったオープンな問題についても論じる。
目標は、双方向性、並列洗練、制御性、品質-レイテンシの弾力性を含むDLMモデリング特性と将来のモバイルエッジインテリジェンスのシステムレベル要件を結びつけることである。
関連論文リスト
- Continual Learning with Elastic Regularization and Synthetic Replay for Federated MLLM Fine-Tuning [15.445619998280243]
Federated Continual Multimodal Learning (FedCMM)は、フェデレート最適化ループに継続的学習セーフガードを組み込むフレームワークである。
FedCMMは、精度と後方転送の最近のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-07-13T19:40:30Z) - MemoVAD: Resource-Efficient Video Anomaly Detection via Dynamic Semantic Memory in Edge Computing Scenarios [11.065570477454225]
実世界の監視におけるビデオ異常検出(VAD)は、有効性を保証するための高レベルのセマンティクスと、エッジデバイスの限られた計算資源との根本的な緊張に直面している。
この課題に対処するために,VLMセマンティクスをストリーミングVADに選択的に組み込んだエッジクラウド協調フレームワークであるMemoVADを提案する。
論文 参考訳（メタデータ） (2026-06-04T06:57:28Z) - FLARE: Diffusion for Hybrid Language Model [72.60770374799634]
FLAREは、ハイブリッドアテンションな大規模言語モデルのための体系的な変換フレームワークである。
トークン平等なAR/拡散目標、ハードウェア対応カーネル、統一推論を組み合わせることで、ひとつのチェックポイントがARスタイルの検証された復号化と拡散スタイルの並列復号化の両方をサポートすることができる。
この結果から,実際のdLLMは復号化アルゴリズムだけでなく,データ品質や現在のブロック拡散目標のトレーニング非効率によって制限されていることが示唆された。
論文 参考訳（メタデータ） (2026-06-01T06:58:15Z) - Adaptive RAN Slicing Control via Reward-Free Self-Finetuning Agents [26.34195733862222]
本稿では,エージェントシステムが環境との直接対話を通じて継続的に学習することを可能にする,新たな自己ファインタニングフレームワークを提案する。
本フレームワークは,対話履歴から好みのデータセットを構築するために,自律的な言語フィードバックを生成するバイパースペクティブ・リフレクション機構を実装している。
その後の嗜好に基づく微調整プロセスは、長い水平体験をモデルのパラメータに蒸留する。
実験結果から,我々のフレームワークは,サンプル効率,安定性,マルチメトリック最適化において,標準強化学習(RL)ベースラインと既存のLarge Language Model(LLM)ベースエージェントよりも優れていた。
論文 参考訳（メタデータ） (2026-03-11T09:14:56Z) - DLLM Agent: See Farther, Run Faster [94.74432470237817]
拡散大言語モデル(DLLM)は、自己回帰(AR)デコーディングの代替として、魅力的な効率とモデリング特性を持つ。
我々は、DLLMとARのバックボーンを同一のエージェントワークフロー内でインスタンス化することで、制御された環境でこれを研究する。
DLLMエージェントはARエージェントよりも平均30%以上速く、場合によっては8倍のスピードアップを達成している。
論文 参考訳（メタデータ） (2026-02-07T09:01:18Z) - Refer-Agent: A Collaborative Multi-Agent System with Reasoning and Reflection for Referring Video Object Segmentation [50.22481337087162]
Referring Video Object (RVOS) は、テキストクエリに基づくビデオ内のオブジェクトのセグメンテーションを目的としている。
Refer-Agent (Refer-Agent) は、共用多エージェントシステムである。
論文 参考訳（メタデータ） (2026-02-03T14:48:12Z) - ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - From Completion to Editing: Unlocking Context-Aware Code Infilling via Search-and-Replace Instruction Tuning [81.97788535387286]
本稿では,エージェントによる検証・編集機構を統一された単一パス推論プロセスに内部化するフレームワークを提案する。
最小限のデータで、SRI-Coderは、ChatモデルがBaseモデルの完了性能を上回ることができる。
FIMスタイルのチューニングとは異なり、SRIは一般的なコーディング能力を保持し、標準のFIMに匹敵する推論遅延を維持する。
論文 参考訳（メタデータ） (2026-01-19T20:33:53Z) - Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models [18.829572148850563]
ACE(Agentic Context Engineering)は、コンテキストを進化するプレイブックとして扱うフレームワークである。
エージェントとドメイン固有のベンチマークを通じて、ACEは一貫して強力なベースラインを上回っている。
ACEは、ラベル付けされた監視なしに効果的に適応することができ、代わりに自然な実行フィードバックを活用することができる。
論文 参考訳（メタデータ） (2025-10-06T09:30:18Z) - A Survey on Diffusion Language Models [30.00199970146068]
拡散言語モデル(DLM)は、支配的な自己回帰(AR)パラダイムの代替である。
DLMは、推論遅延を減らし、双方向のコンテキストをキャプチャすることに固有の利点がある。
近年の進歩により、DLMは自己回帰に匹敵する性能を示すようになった。
論文 参考訳（メタデータ） (2025-08-14T17:47:22Z)
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。