論文の概要: Goal-oriented probabilistic forecasting for dynamic PRB allocation in 5G networks

• arxiv url: http://arxiv.org/abs/2609.17297v2
• Date: Wed, 16 Sep 2026 07:49:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.445519
• Title: Goal-oriented probabilistic forecasting for dynamic PRB allocation in 5G networks
• Title（参考訳）: 5Gネットワークにおける動的PRB割当のゴール指向確率予測
• Abstract要約: 本稿では,モデルトレーニングと作業者の意思決定目標を一致させる目標指向確率予測フレームワークを提案する。 実ビームレベル5Gトラフィックデータセットの評価により,提案手法は,MSE訓練ベースラインと比較して運用コストを低減できることがわかった。
• 参考スコア（独自算出の注目度）: 3.0732546238367338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient physical resource block (PRB) allocation in 5G networks requires accurate demand forecasting. Conventional methods minimize symmetric error metrics (MAE, RMSE), ignoring the operational cost asymmetry where under-provisioning (service degradation) is far costlier than over-provisioning (wasted capacity). We propose a goal-oriented probabilistic forecasting framework that aligns model training with the operator's decision-making objectives. Specifically, we train DeepAR and Temporal Fusion Transformer (TFT) models using the Pinball Loss function and derive the optimal allocation quantile from the operator's cost matrix. Evaluation on a real beam-level 5G traffic dataset shows that the proposed approach reduces operational cost compared to MSE-trained baselines while maintaining calibrated uncertainty estimates. The framework enables dynamic PRB allocation that explicitly balances service reliability against resource efficiency.
• Abstract（参考訳）: 5Gネットワークにおける効率的な物理リソースブロック(PRB)割り当てには、正確な需要予測が必要である。 従来の手法は対称誤差メトリクス(MAE, RMSE)を最小限に抑え、過計画(サービス劣化)が過計画(浪費容量)よりもはるかにコストがかかる運用コスト非対称性を無視している。 本稿では,モデルトレーニングと作業者の意思決定目標を一致させる目標指向確率予測フレームワークを提案する。 具体的には、Pinball Loss関数を用いてDeepARおよびTFTモデルを訓練し、演算子のコスト行列から最適な割り当て量子化を導出する。 実ビームレベル5Gトラフィックデータセットの評価から,提案手法はMSEトレーニングベースラインと比較して運用コストを低減し,キャリブレーションされた不確実性推定を維持できることを示す。 このフレームワークは動的PRB割り当てを可能にし、サービスの信頼性とリソース効率のバランスを明確にする。

関連論文リスト

• Adaptive Error Budget Allocation for Fault-Tolerant Quantum Resource Estimation: A Metaheuristic Approach [0.14323566945483496]
  システムレベルのリソース推定は、フォールトトレラントな量子コンピューティングツールチェーンの重要なコンポーネントである。 そこで我々は,Azure Quantum Resource Estor上で,微分自由探索を直接行うトレーニングフリー最適化フレームワークを提案する。 MQTベンチの31ファミリーから2から91キュービットに及ぶ433個の回路上で,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-08-16T07:14:29Z)
• ScaleSense: Cost-Intelligent Scaling Framework via Learned Resource Estimation in Alibaba AnalyticDB [59.708423132520515]
  クラウドネイティブなサーバレスデータウェアハウスは、計算からストレージを分離することで、きめ細かい弾力性を達成する。 しかし、高度にヘテロジニアスなアドホッククエリに対する最適なリソース割り当てを決定することは、深刻な産業上の課題である。 プロアクティブでクエリレベルのリソーススケーリングフレームワークであるScaleSenseを提案する。
  論文  参考訳（メタデータ） (2026-08-08T06:10:35Z)
• PRB-RUPFormer: A Recursive Unified Probabilistic Transformer for Residual PRB Forecasting [0.873988874118547]
  本稿では,残差PRB予測のための統一確率変換器を提案する。 単一共有モデルは、eNBのすべてのキャリアとセクターでトレーニングされ、計算オーバーヘッドの少ない共同トラフィックダイナミクスの効率的な学習を可能にする。 確率認識予測は、動的キャリアアクティベーション、混雑回避、プロアクティブスペクトル共有などのスペクトル対応RAN関数を直接サポートする。
  論文  参考訳（メタデータ） (2026-05-14T19:42:32Z)
• Spend Less, Reason Better: Budget-Aware Value Tree Search for LLM Agents [40.18150559561834]
  Budget-Aware Value Tree (BAVT) は、動的検索ツリーとしてマルチホップ推論をモデル化するトレーニングフリーの推論時間フレームワークである。 BAVTは一貫して並列サンプリングベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-13T04:10:27Z)
• $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
  一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。 本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:41Z)
• Unbiased Dynamic Pruning for Efficient Group-Based Policy Optimization [60.87651283510059]
  Group Relative Policy Optimization (GRPO) はLLM推論を効果的にスケールするが、計算コストは禁じている。 本研究では,非バイアス勾配推定を保ちながら動的プルーニングを可能にする動的プルーニングポリシー最適化(DPPO)を提案する。 刈り込みによって引き起こされるデータの空間性を軽減するため,ウィンドウベースの欲求戦略であるDense Prompt Packingを導入する。
  論文  参考訳（メタデータ） (2026-03-04T14:48:53Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• OpComm: A Reinforcement Learning Framework for Adaptive Buffer Control in Warehouse Volume Forecasting [28.715625330574966]
  OpCommは、教師あり学習と強化学習ベースのバッファ制御を組み合わせた予測および意思決定支援フレームワークである。 400以上のステーションで、OpCommは手動の予測よりも21.65%の重み付き絶対パーセンテージエラー(WAPE)を減らした。
  論文  参考訳（メタデータ） (2025-12-17T17:21:19Z)
• The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
  大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。 本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
  論文  参考訳（メタデータ） (2025-05-14T08:18:55Z)
• Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
  条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。 本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。 次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
  論文  参考訳（メタデータ） (2025-02-21T14:36:12Z)
• On the Impact of PRB Load Uncertainty Forecasting for Sustainable Open RAN [2.526444902695476]
  持続可能なOpen Radio Access Network(O-RAN)アーキテクチャへの移行は、リソース管理に新たな課題をもたらす。 本稿では,確率的予測手法を用いて物理資源ブロック(PRB)負荷を特徴付ける新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T15:25:20Z)

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。