論文の概要: Trustworthy, Explainable, and Sustainable Decentralized Intelligence for 6G Networks
- arxiv url: http://arxiv.org/abs/2609.13872v1
- Date: Sat, 12 Sep 2026 10:52:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.594514
- Title: Trustworthy, Explainable, and Sustainable Decentralized Intelligence for 6G Networks
- Title（参考訳）: 6Gネットワークのための信頼できる、説明可能な、持続可能な分散インテリジェンス
- Abstract要約: 6Gネットワークは動的でマルチドメインのエッジクラウド連続体で動作する。
セキュリティは、この分散パラダイムの主要な実現手段として機能します。
本稿では、分散化、信頼性、説明可能性、持続可能性を共同で設計する必要があると論じる。
- 参考スコア（独自算出の注目度）: 40.96834401764948
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As 6G networks transition from theoretical frameworks into operational realities, artificial intelligence (AI) evolves from an add-on optimization tool into a distributed and interconnected structural layer. Unlike previous network generations that mostly relied on centralized cloud analytics platforms, AI-native 6G networks operate across a dynamic, multi-domain edge-cloud continuum where data originates from heterogeneous sources including user devices, radio access networks, sensing infrastructures, and vertical applications. Centralizing this massive volume of data creates severe communication overhead, unacceptable latency bottlenecks, single points of failure, and complex cross-domain governance challenges. Consequently, decentralization becomes a fundamental architectural requirement for future 6G network intelligence and zero-touch operations. Security serves as the primary enabler of this decentralized paradigm. Critical security functions, such as real-time threat detection, physical-layer attack mitigation, slice protection, and intrusion detection, require immediate access to local context and telemetry before operational data loses its value. However, moving intelligence to the edge via collaborative paradigms like federated learning (FL) and decentralized FL (DFL) introduces complex trade-offs. System security cannot be addressed in isolation; it is deeply intertwined with equally important aspects like trustworthiness, explainability, and energy sustainability. Taking these aspects into account, this paper develops a unified perspective on decentralized intelligence for 6G, arguing that decentralization, trustworthiness, explainability, and sustainability must be designed jointly rather than treated as independent requirements
- Abstract（参考訳）: 6Gネットワークが理論フレームワークから運用現実へと移行するにつれ、人工知能(AI)はアドオン最適化ツールから分散された相互接続構造層へと進化する。
主に集中型クラウド分析プラットフォームに依存していた以前のネットワーク世代とは異なり、AIネイティブな6Gネットワークは、ユーザデバイス、無線アクセスネットワーク、センシングインフラストラクチャ、垂直アプリケーションを含む異質なソースからデータを取得する、動的でマルチドメインのエッジクラウド連続体を介して運用されている。
この膨大な量のデータを集中させることで、通信オーバーヘッド、受け入れ難いレイテンシのボトルネック、単一障害点、複雑なドメイン間のガバナンスの課題が発生します。
その結果、分散化は将来の6Gネットワークインテリジェンスとゼロタッチ操作の基本的なアーキテクチャ要件となる。
セキュリティは、この分散パラダイムの主要な実現手段として機能します。
リアルタイム脅威検出、物理層攻撃軽減、スライス保護、侵入検知といった重要なセキュリティ機能は、運用データがその価値を失う前に、すぐにローカルコンテキストやテレメトリにアクセスする必要がある。
しかし、フェデレートラーニング(FL)や分散FL(DFL)といった協調パラダイムを通じて、インテリジェンスをエッジに移動させることは、複雑なトレードオフをもたらす。
システムのセキュリティは、単独では対処できない。信頼性、説明可能性、エネルギー持続可能性といった、同様に重要な側面に深く絡み合っている。
これらの側面を考慮に入れ, 独立要件として扱われるのではなく, 分散化, 信頼性, 説明可能性, 持続可能性等を共同で設計する必要があると論じ, 6Gの分散化インテリジェンスに関する統一的な視点を開拓する。
関連論文リスト
- Cognitive Threat Intelligence and Explainable Federated Security Analytics for distributed Infrastructure Systems [0.8496907566303933]
本研究では,分散インフラストラクチャシステムを対象とした認知脅威情報と説明可能なフェデレートセキュリティ分析フレームワークを提案する。
提案するフレームワークは、フェデレートラーニング(FL)、説明可能な人工知能(XAI)、認知サイバーセキュリティ分析を統合し、協調的かつプライバシー保護のサイバー脅威検出を可能にする。
インテリジェントな脅威分析を強化するため、フレームワークにはRandom Forest、XGBoost、Autoencoderといった機械学習とディープラーニングアルゴリズムが組み込まれている。
論文 参考訳（メタデータ） (2026-06-04T04:41:53Z) - Bridging the Cognitive Gap: A Unified Memory Paradigm for 6G Agentic AI-RAN [62.429669462281645]
6Gは、知覚、推論、進化が可能なエージェントAIを受け入れるために、従来の自動化を超越しなければならない。
この記事では、インターフェースバウンドからメモリ中心アーキテクチャへのシフトを想定します。
メッセージパッシングをゼロコピーオブザーバビリティに置き換えることで、AIエージェントがリアルタイムの応答性と長時間のコンテキストの間のギャップを埋めることができます。
論文 参考訳（メタデータ） (2026-05-11T06:04:10Z) - 6G Needs Agents: Toward Agentic AI-Native Networks for Autonomous Intelligence [3.099103925863002]
6Gネットワークは、コミュニケーション、センシング、コンピューティングを統一されたファブリックに統合するAIネイティブインフラストラクチャとして想定されている。
我々は,Large Language Model (LLM) をベースとしたエージェントが有界な政策支配的推論エンティティとして機能するエージェントAI-Native 6Gへのパラダイムシフトを論じる。
本稿では,決定論的ネットワーク基盤,意図と文脈の意味的抽象化,階層的推論,分散マルチエージェント・ファブリックを統合した4層アーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-05-02T17:24:12Z) - Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。
我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。
我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
論文 参考訳（メタデータ） (2026-04-09T06:13:59Z) - A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。
DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。
本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-23T16:12:02Z) - Node Learning: A Framework for Adaptive, Decentralised and Collaborative Network Edge AI [0.6015898117103068]
エッジへのAIの拡大は、cen-tralized Intelligenceのコストと脆弱性を露呈する。
私たちは、個々のエッジノードにインテリジェンスを配置する、十進的な学習パラダイムであるNode Learningを紹介します。
論文 参考訳（メタデータ） (2026-02-18T19:23:47Z) - Federated Learning Based Decentralized Adaptive Intelligent Transmission Protocol for Privacy Preserving 6G Networks [0.0]
第6世代(6G)無線ネットワークへの移行は、プライバシ、スケーラビリティ、適応性に関する新たな問題を生み出します。
これらの課題に対応するために、フェデレートラーニングベースの分散適応インテリジェントトランスミッションプロトコル(AITP)と呼ばれる新しいフレームワークが提案されている。
論文 参考訳（メタデータ） (2025-12-20T17:18:15Z) - Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。
ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
論文 参考訳（メタデータ） (2025-05-26T06:44:31Z) - Decentralized Zero-Trust Framework for Digital Twin-based 6G [8.01618424103984]
この記事では、DT対応の6Gネットワークでゼロトラストアーキテクチャを統合する新しいフレームワークについて述べる。
従来のゼロトラストソリューションとは異なり、提案されたフレームワークは、物理的デバイスとDTの双方のセキュリティ、プライバシ、信頼性を保証するために、分散化されたメカニズムを適用している。
この記事では現在のソリューションと今後の展望についても論じている。
論文 参考訳（メタデータ） (2023-02-06T20:13:19Z) - Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。
本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
論文 参考訳（メタデータ） (2020-10-01T02:16:40Z)
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。