論文の概要: Improving 5G AI-RAN MCS Selection by Predicting Retransmissions

• arxiv url: http://arxiv.org/abs/2609.09324v1
• Date: Tue, 08 Sep 2026 18:10:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.780624
• Title: Improving 5G AI-RAN MCS Selection by Predicting Retransmissions
• Title（参考訳）: 再送信予測による5G AI-RAN MCS選択の改善
• Abstract要約: 5G NRのリンク適応(LA)は本質的に反応性があり、チャネルが急速に変化するとすぐに時代遅れになるかもしれないチャネル測定とHARQフィードバックに依存している。 本稿では,NOSTRAdAMUSという予測型LAフレームワークを用いて,既存のアルゴリズムを置き換えたり再設計したりすることなく,この現状を改良する。 我々は、いくつかのMLモデルをベンチマークし、Gradient Boostingが全体の82.9%の精度を達成することを示す。
• 参考スコア（独自算出の注目度）: 13.3260699145112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link Adaptation (LA) in 5G NR is inherently reactive, relying on channel measurements and HARQ feedback that may become quickly obsolete when the channel changes quickly. This data is also noisy, making it hard to track accurately, and has to be fed to real-time controllers with feedback-loop effects which are hard to troubleshoot. This explains why most practical deployments select simple but robust algorithms, which accept that the lag can leave the scheduler operating at overly aggressive or unnecessarily conservative rates, trading spectrum efficiency for predictable performance. In this paper, we improve on this status-quo with NOSTRAdAMUS, a predictive LA framework which adds foresight to existing algorithms without replacing or redesigning them. NOSTRAdAMUS predicts whether a retransmission will occur in the next radio frame from recent HARQ history, and applies corrections to the Modulation and Coding Scheme (MCS) selected by the underlying policy. We benchmark several ML models and show that Gradient Boosting achieves 82.9% accuracy overall with high-confidence interventions that are correct 94.2% of the time, and an inference latency of 5.5 μs. We train the model based on data collected Over-the-Air (OTA) on the X5G testbed, using the open-source OpenAirInterface (OAI) 5G stack, NVIDIA Aerial, and COTS O-RAN Radio Units and User Equipments. The model is then deployed as a dApp, which we evaluate OTA as well as on various channels with hardware-in-the-loop channel emulators. This includes 3GPP TDL and CDL channels, SISO and MIMO configurations, and pedestrian and vehicular mobility. Our evaluation shows that without retraining, and across this variety of scenarios, the dApp augments two SOTA LA algorithms, and increases goodput by up to 71.5% while reducing retransmissions by up to 71.8%. This demonstrates the robustness and generalization capabilities of our approach.
• Abstract（参考訳）: 5G NRのリンク適応(LA)は本質的に反応性があり、チャネルが急速に変化するとすぐに時代遅れになるかもしれないチャネル測定とHARQフィードバックに依存している。 このデータはノイズにもなり、正確な追跡が難しく、トラブルシュートが難しいフィードバックループ効果を持つリアルタイムコントローラに送らなければならない。 これは、ほとんどの実践的なデプロイメントが単純だが堅牢なアルゴリズムを選択する理由を説明しており、ラグがスケジューラを過度に攻撃的または不必要に保守的な速度で動作させ、予測可能なパフォーマンスのためにスペクトル効率を取引することを可能にする。 本稿では,NOSTRAdAMUSという予測型LAフレームワークを用いて,既存のアルゴリズムを置き換えたり再設計したりすることなく,この現状を改良する。 NOSTRAdAMUSは、最近のHARQ履歴から次の無線フレームで再送信が発生するかどうかを予測し、基本方針によって選択された変調符号化方式(MCS)に修正を適用する。 我々は、いくつかのMLモデルをベンチマークし、Gradient Boostingが全体の82.9%の精度を達成し、94.2%の精度で精度の高い介入を行い、推論遅延は5.5μsであることを示す。 我々は、オープンソースのOpenAirInterface (OAI) 5Gスタック、NVIDIA Aerial、COTS O-RAN Radio Units and User Equipmentsを用いて、X5Gテストベッド上で収集したOTA(Over-the-Air)データに基づいてモデルをトレーニングする。 モデルがdAppとしてデプロイされ,OTAとハードウェア・イン・ザ・ループチャネルエミュレータを用いた各種チャネルの評価を行う。 これには3GPP TDLとCDLチャネル、SISOとMIMOの設定、歩行者と車両の移動性が含まれる。 我々の評価では、再トレーニングなしに、また、この様々なシナリオにおいて、dAppは2つのSOTA LAアルゴリズムを増強し、再送信を最大71.8%削減しながら、出力を最大71.5%向上させる。 このことは、我々のアプローチの堅牢性と一般化能力を示している。

関連論文リスト

• Transformer-Based MCS Prediction for 5G Multicast-Broadcast Services (MBS) [7.094650278617499]
  ビデオセグメントの水平線上で28のMCS指標が成功する確率を予測する軽量なTransformerベースのフレームワークを提案する。 提案手法は信頼性スコア86.89%を達成し、生スループットに最適化された標準AIベースラインを大幅に上回っている。 このモデルはリアルタイムアプリケーションに最適化されており、COTS 5G時代のスマートフォン上では0.07ミリ秒未満の推測時間を示す。
  論文  参考訳（メタデータ） (2026-05-16T01:10:55Z)
• ML-Based Real-Time Downlink Performance Prediction in Standalone 5G NR Using Smartphones [17.884632967810315]
  商用オフザシェルフ(COTS)ユーザ機器(UE)のリアルタイム計測を用いた5Gネットワークにおけるダウンリンク性能予測フレームワークを提案する。 2つのGoogle Pixel 7aスマートフォンは、チャネル品質指標(CQI)、変調および符号化方式(MCS)、ビットレート、伝送時間間隔(TTI)、ブロックエラー率(BLER)などの物理層特性を収集するために使用される。 テストデータには、グローバルなOoklaサーバ(米国、ポルトガル、ガーナ、エジプト、日本)、iperf TCP/UDPデータ、YouTubeのビデオストリーミングセッションが含まれる。
  論文  参考訳（メタデータ） (2026-03-19T18:46:57Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Adaptive Data Flywheel: Applying MAPE Control Loops to AI Agent Improvement [8.230420096371407]
  我々は、NVIDIAのMixture-of-Experts (MoE) Knowledge AssistantであるNVInfo AIにおけるデータフライホイールの実践的な実装について述べる。 我々は、検索強化世代(RAG)パイプラインの障害に対処し、継続的な学習を可能にするクローズドループシステムを構築した。 ルーティングでは、Llama 3.1Bモデルを微調整8Bモデルに置き換え、96%の精度、モデルサイズ10倍の削減、70%のレイテンシ改善を実現した。
  論文  参考訳（メタデータ） (2025-10-30T23:41:06Z)
• Near-Real-Time Resource Slicing for QoS Optimization in 5G O-RAN using Deep Reinforcement Learning [19.02610605908148]
  本稿では,5G O-RANのNear-Real-Time (Near-RT) RAN Intelligent Controller (RIC) のためのxSliceと呼ばれるxAppを提案する。 xSliceは、動的ネットワーク状態に応じてMAC層リソース割り当てを適応的に調整するオンライン学習アルゴリズムである。 実験の結果、xSliceは最先端のソリューションと比較して、パフォーマンスの後悔を67%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-09-17T18:20:04Z)
• SkipVAR: Accelerating Visual Autoregressive Modeling via Adaptive Frequency-Aware Skipping [30.85025293160079]
  生成プロセスにおける高周波コンポーネント、または後続のステップは、推論遅延に不均等に寄与する。 ステップ冗長性と非条件分岐冗長性の2つの主要な非効率性の原因を同定する。 本稿では、不要な生成ステップを選択的に省略して効率を向上させる自動ステップスキッピング戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-10T15:35:29Z)
• Streaming Looking Ahead with Token-level Self-reward [50.699168440048716]
  本稿では,トークンレベルの自己回帰モデリング(TRM)機能を備えたポリシーモデルを提案する。 さらに,検索効率を向上し,並列化を向上するストリーミング・ルック・アヘッド (SLA) アルゴリズムを提案する。 SLAとDPOなどの強化微調整技術を組み合わせると、全体の勝利率は89.4%となる。
  論文  参考訳（メタデータ） (2025-02-24T22:35:53Z)
• Semi-Autoregressive Streaming ASR With Label Context [70.76222767090638]
  本稿では,先行ブロックで出力されたラベルを付加コンテキストとして組み込んだストリーミング「半自己回帰型」ASRモデルを提案する。 実験の結果,既存のストリーミングNARモデルではTedlium2が19%,Librispeech-100が16%/8%,Switchboard(SWB)/Callhome(CH)テストセットが19%/8%であった。
  論文  参考訳（メタデータ） (2023-09-19T20:55:58Z)
• AZTR: Aerial Video Action Recognition with Auto Zoom and Temporal Reasoning [63.628195002143734]
  本稿では,空中映像の行動認識のための新しい手法を提案する。 提案手法は,UAVを用いて撮影したビデオに対して設計されており,エッジやモバイルデバイス上でも動作可能である。 我々は、カスタマイズされたオートズームを使用して、人間のターゲットを自動的に識別し、適切にスケールする学習ベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-02T21:24:19Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• FastEmit: Low-latency Streaming ASR with Sequence-level Emission Regularization [78.46088089185156]
  ストリーム自動音声認識(ASR)は、仮説化された単語を可能な限り迅速かつ正確に出力することを目的としている。 既存のアプローチでは、シーケンストランスデューサモデルにおいて、トーケン単位またはフレーム単位の確率予測を演算することで、発光遅延をペナルティ化する。 本稿では,訓練用トランスデューサモデルにおいて,シーケンス毎の確率に遅延正規化を直接適用する,FastEmitというシーケンスレベルのエミッション正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-10-21T17:05:01Z)

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。