論文の概要: Taming the Agentic RAN: Stability-Guaranteed Arbitration of Autonomous AI Agents in O-RAN
- arxiv url: http://arxiv.org/abs/2609.18857v1
- Date: Wed, 16 Sep 2026 15:59:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.880293
- Title: Taming the Agentic RAN: Stability-Guaranteed Arbitration of Autonomous AI Agents in O-RAN
- Title（参考訳）: エージェントRANのモデリング:O-RANにおける自律型AIエージェントの安定性保証
- Abstract要約: 本稿では,エージェントアクションが実現不可能な不変条件を満たす場合にのみ,エージェントアクションを許容する軽量な仲裁層であるAURAを提案する。
AURAは、繰り返し発生する共有状態の遠足を1桁以上削減する。
- 参考スコア（独自算出の注目度）: 6.572000338549628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The O-RAN control plane is becoming agentic: autonomous AI agents, deployed as rApps by different vendors, independently close control loops over shared radio resources. We demonstrate on a live O-RAN system that this independence is unsafe. Two agents with individually correct objectives, one protecting a latency SLA and one maximizing utilization for energy efficiency, jointly drive recurring opposing excursions of the shared resource partition that neither produces alone. Existing conflict-mitigation mechanisms presume a statically known application population and cannot govern agents whose behavior emerges at run time. We present AURA, a lightweight arbitration layer that admits agent actions only when they satisfy feasibility invariants, per-variable dwell times, and a deadband, and we prove the arbitrated system converges to a feasible operating point. Implemented on an OpenAirInterface (OAI) testbed with measured one-way latency and throughput, AURA reduces recurring shared-state excursions by more than an order of magnitude (from 8.4 to 0.4 PRB amplitude) and virtually eliminates cross-slice throughput starvation (from 40-55% to 0.3%), while leaving the protected slice's own latency compliance unchanged, a trade-off the convergence guarantee makes explicit.
- Abstract（参考訳）: O-RANコントロールプレーンはエージェントになりつつあり、さまざまなベンダによってrAppとしてデプロイされる自律AIエージェントは、共有された無線リソースに対して独立して制御ループをクローズする。
我々は、この独立が安全でないことを示すライブO-RANシステムについて実証する。
個別に正しい目的を持つ2つのエージェント、1つは遅延SLAを保護し、もう1つはエネルギー効率を最大化する。
既存の競合緩和メカニズムは、静的に知られたアプリケーション人口を前提としており、実行時に振る舞いが現れるエージェントを管理できない。
AURAは,実行可能性不変量,変動時間,デッドバンドを満たす場合にのみエージェント動作を許容する軽量な調停層であり,この調停系が実行可能な動作点に収束することを証明する。
AURAはOpenAirInterface(OAI)テストベッドに片方向のレイテンシとスループットを計測して実装し、繰り返し共有状態の抽出を桁違いに(8.4から0.4 PRB振幅)減らし、事実上クロススライススループットの飢餓(40-55%から0.3%)を排除し、保護されたスライス自身のレイテンシの依存性は変わらないが、コンバージェンス保証のトレードオフは明確である。
関連論文リスト
- Anytime Plug-and-Play Control with Contract-Based Distributed MPC [3.477704547618128]
本研究では,局部通信に基づく分散マルチエージェント制御アルゴリズムを導入する。
提案手法を自律型マルチエージェント運転シナリオで検証し,エージェントが反対方向に移動する高速・動的環境における衝突回避効果を示す。
論文 参考訳（メタデータ） (2026-07-05T10:06:49Z) - Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。
アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。
ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
論文 参考訳（メタデータ） (2026-04-21T15:05:58Z) - Agentic AI for Intent-driven Optimization in Cell-free O-RAN [16.841650014499496]
自律無線アクセスネットワーク(RAN)の鍵となるエージェント人工知能(AI)
セルフリーO-RANにおける意図翻訳と最適化のためのエージェントAIフレームワークを提案する。
提案手法は,省エネモードにおける3つのベースライン方式と比較して,アクティブなO-RUの数を41.93%削減することを示す。
論文 参考訳（メタデータ） (2026-02-26T02:26:58Z) - CausalArmor: Efficient Indirect Prompt Injection Guardrails via Causal Attribution [49.689452243966315]
ツールコール機能を備えたAIエージェントは、IPI(Indirect Prompt Injection)攻撃の影響を受けやすい。
本稿では,選択防衛フレームワークCausalArmorを提案する。
AgentDojoとDoomArenaの実験は、CausalArmorが攻撃的な防御のセキュリティと一致することを示した。
論文 参考訳（メタデータ） (2026-02-08T11:34:08Z) - Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。
ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。
実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
論文 参考訳（メタデータ） (2025-10-06T14:48:39Z) - AdvEvo-MARL: Shaping Internalized Safety through Adversarial Co-Evolution in Multi-Agent Reinforcement Learning [78.5751183537704]
AdvEvo-MARLは、タスクエージェントに安全性を内部化する、共進化型マルチエージェント強化学習フレームワークである。
外部ガードに頼るのではなく、AdvEvo-MARLは攻撃者と防御者を共同で最適化する。
論文 参考訳（メタデータ） (2025-10-02T02:06:30Z) - Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。
現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。
情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
論文 参考訳（メタデータ） (2025-03-21T18:06:28Z) - Free Agent in Agent-Based Mixture-of-Experts Generative AI Framework [0.0]
強化学習自由エージェント (Reinforcement Learning Free Agent, RLFA) アルゴリズムは、永続的な過パフォーマンスを示すエージェントを検出し、除去するための報酬に基づくメカニズムを導入する。
第一のユースケースは不正検出であり、RLFAは事前に設定された閾値以下で検出精度が低下するエージェントを即座に交換する。
このダイナミックでフリーの緊急サイクルは、持続的な正確さ、出現する脅威への迅速な適応、進行中の運用に対する最小限の中断を保証する。
論文 参考訳（メタデータ） (2025-01-29T13:00:22Z)
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。