論文の概要: Evolving Inspectable O-RAN Slicing xApps with LLMs

• arxiv url: http://arxiv.org/abs/2609.27337v1
• Date: Wed, 23 Sep 2026 04:18:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.884024
• Title: Evolving Inspectable O-RAN Slicing xApps with LLMs
• Title（参考訳）: LLMを用いた検査可能なO-RANスライシングxアプリの開発
• Abstract要約: オープンRAN(O-RAN)スライシングxAppsは、サービスレベルの合意(SLA)を満たしながら、チャネル条件やトラフィック要求の変更にリソース割り当てを適用する必要があります。 私たちのゴールは、コントローラの決定ロジックを直接検査し、オペレータが編集できるようにしながら、この適応性を維持することです。 我々は、大言語モデル(LLM)を用いてスライシングコントローラを、最適化後も論理が読みやすく編集可能なコンパクトなPythonプログラムとして進化させます。
• 参考スコア（独自算出の注目度）: 4.303580795892996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open RAN (O-RAN) slicing xApps must adapt resource allocations to changing channel conditions and traffic demands while meeting service-level agreements (SLAs). Deep reinforcement learning can produce adaptive policies, but their allocation rules remain encoded in neural-network parameters. Our goal is to retain this adaptability while making the controller's decision logic directly inspectable and editable by operators. We use a large language model (LLM) to evolve slicing controllers as compact Python programs whose decision logic remains readable and editable after optimization. The LLM proposes and revises candidates offline, while a calibrated simulator scores them, and the selected decision module runs unchanged in the O-RAN control path. On the NSF POWDER 5G testbed, the evolved controller releases resources from a guaranteed slice whose throughput target becomes unattainable under a sustained channel fade, improving best-effort throughput from 158.2 to 228.6 Mbps, a 44.5% gain over the best static allocation. Since the controllers are readable source code, their behavior can be predicted from their equations, defects can be diagnosed by reading the code, and calibration errors can be corrected with one-line edits, reducing SLA misses from 79.9% to 2.2% in one case and more than doubling fitness in another. In a four-slice trace-driven simulation calibrated to the same testbed, evolutionary search achieves higher average evaluation scores than independent prompting at a matched proposal budget, with mean normalized gains on held-out traces of 16.3% for prompting alone, 32.1% for evolution from scratch, and 51.0% for evolution from a starting program.
• Abstract（参考訳）: オープンRAN(O-RAN)スライシングxAppsは、サービスレベルの合意(SLA)を満たしながら、チャネル条件やトラフィック要求の変更にリソース割り当てを適用する必要があります。 深層強化学習は適応的なポリシを生成することができるが、それらのアロケーションルールは依然としてニューラルネットワークパラメータにエンコードされている。 私たちのゴールは、コントローラの決定ロジックを直接検査し、オペレータが編集できるようにしながら、この適応性を維持することです。 我々は、大言語モデル(LLM)を用いてスライシングコントローラを、最適化後も論理が読みやすく編集可能なコンパクトなPythonプログラムとして進化させます。 LLMは候補者をオフラインで提案・修正し、キャリブレーションされたシミュレータはそれらをスコアし、選択した決定モジュールはO-RAN制御パスで動作しない。 NSF POWDER 5Gテストベッドで、進化したコントローラは、持続的なチャネルフェードの下でスループット目標が達成不可能となる保証されたスライスからリソースを解放し、158.2から228.6 Mbpsまで、最高の静的アロケーションよりも44.5%向上した。 コントローラは可読性のあるソースコードなので、それらの振る舞いは方程式から予測でき、欠陥はコードを読み込んで診断でき、校正エラーは1行の編集で修正でき、SLAミスを79.9%から2.2%に減らし、フィットネスを2倍にする。 同じテストベッドに調整された4つのスライストレース駆動シミュレーションにおいて、進化的探索は、一致した提案予算において独立的なプロンプトよりも高い平均評価スコアを達成する。

関連論文リスト

• RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [76.67111148617533]
  正規化再帰的自己改善型エージェント・ハーネス(RRSI) 本稿では、正規化の原則を取り入れたRRSIを紹介し、進化候補の提案と選択を制約することで自己改善を活用する。 RRSIは5つのアウト・オブ・ディストリビューション・ベンチマークで14.1ポイント、最大4.7ポイントを獲得し、非正規化進化よりも30%少ないポリシートークンで動作するハーネスを生産している。
  論文  参考訳（メタデータ） (2026-09-21T17:54:49Z)
• Robustness of LLM-Generated SystemVerilog Assertions to Semantics-Preserving RTL Transformations [0.0]
  大規模言語モデル(LLM)は、SystemVerilog Assertion(SVA)の自動生成のために、ますます研究されている。 ほとんどの評価では、入力の単一の構文表現に正確さを報告している。 そのような点の精度は、モデルの正しい出力が同じRTLの振る舞いが異なる場合に安定であるかどうかを明らかにしない。
  論文  参考訳（メタデータ） (2026-09-04T18:41:58Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Closed-Loop Control with Rule-Aligned Small Language Models and Multi-Agent Self-Correction [17.527470001317685]
  本研究では,コンパクトな小言語モデル (SLM) を制御推論のために再訓練し,検証器誘導補正ループに組み込むことができるかを検討する。 ランダム化熱制御シミュレーション(それぞれ500段の30の実験)では、平均的なアクションアライメント精度が91.5%に達する。 シンボリック・リマッピングの下では95%のインレンジレートを維持しており、トークンレベルの合意が減ったにもかかわらず、堅牢な物理的規制を示している。
  論文  参考訳（メタデータ） (2026-06-24T13:49:01Z)
• Same Signal, Opposite Meaning: Direction-Informed Adaptive Learning for LLM Agents [24.71914991820339]
  LLMエージェントは、性能改善時にのみ余分な計算を実行することを目標としている。 既存の手法では、計算の計算に必要なゲーティング信号から計算の値への一定の方向を仮定して、信頼性、不確実性、難易度に基づくゲートを用いるのが一般的である。 このアライメントは不安定であり、タスクが修正された場合でも環境やバックボーンをまたいで逆転する。 DIAL(Direction-Informed Adaptive Learning)は、信号に依存しない対実探索から訓練されたスパースゲートであり、各状態特徴の実用方向を学習する。
  論文  参考訳（メタデータ） (2026-05-07T20:15:51Z)
• 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)
• AdaptEvolve: Improving Efficiency of Evolutionary AI Agents through Adaptive Model Selection [14.17960333915609]
  進化的エージェントシステムは、計算効率と推論能力の間のトレードオフを強化する。 本稿では,AdaptEvolve: Adaptive Selection for Multi-LLM Evolutionary Refinementを紹介する。
  論文  参考訳（メタデータ） (2026-02-12T13:26:56Z)
• Correctness-Optimized Residual Activation Lens (CORAL): Transferrable and Calibration-Aware Inference-Time Steering [3.7758197704962835]
  重み付きデカイプローブを用いて、モデル内部のアクティベーションから正当性信号を捕捉する正規化時間ステアリング法であるCORALを導入する。 コラルは、常に精度を10%改善し、期待キャリブレーション誤差(ECE)を平均50%改善する。 本結果は,個々のニューロンが不十分な場合,正規化プローブを用いてモデル内部の分散情報を抽出できるという仮説を支持する。
  論文  参考訳（メタデータ） (2026-02-05T18:55:56Z)
• Actor-Critic based Improper Reinforcement Learning [61.430513757337486]
  我々は,未知のマルコフ決定プロセスに対して,学習者に100万ドルのベースコントローラを付与する不適切な強化学習環境を考える。 本稿では,(1)ポリシーグラディエントに基づくアプローチ,(2)単純なアクター・クリティカル・スキームとNatural Actor-Criticスキームを切り替えるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-19T05:55:02Z)

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。