論文の概要: System One Models for Wireless Decision-Making:Applications and Performance Evaluation
- arxiv url: http://arxiv.org/abs/2610.04345v1
- Date: Sat, 03 Oct 2026 07:13:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-12 11:17:03.058508
- Title: System One Models for Wireless Decision-Making:Applications and Performance Evaluation
- Title（参考訳）: 無線意思決定のためのシステム1モデル:応用と性能評価
- Abstract要約: システムワンモデルは、明示的に定義された決定空間上の確率分布を学習する。
我々は,ジェネレーティブLLMと従来のベースラインに対して,意思決定品質とクライアントが保持するレイテンシをベンチマークする。
その結果、システムワンモデルは、レイテンシに敏感で、有界で、インテント駆動の無線制御のための有望な決定インターフェースとして、基本的な品質/レイテンシのトレードオフと位置を示す。
- 参考スコア（独自算出の注目度）: 2.4957682329075124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many wireless control tasks require repeated selection of a single action from a finite feasible set under stringent latency and reliability constraints. While large language models (LLMs) have recently emerged as general-purpose decision engines, their autoregressive generation mechanism is not naturally aligned with such bounded control problems. This paper investigates System-One models, which directly learn probability distributions over explicitly defined decision spaces, as a lightweight alternative for wireless decision-making. We formalize their decision structure and learning objective, identify their applicability across physical-layer control, radio resource management, mobility, network slicing, and network operations, and evaluate their practical behavior through representative wireless case studies. Using Jev as a System-One implementation, we benchmark decision quality and client-observed latency against generative LLMs and conventional baselines. In receive-antenna selection, Jev delivers up to an 8.5x reduction in median response latency relative to the evaluated LLMs, although this gain comes with a loss in decision quality compared with stronger task-specific alternatives. More notably, in intent-conditioned RAN slicing, Jev achieves utility comparable to the evaluated LLMs while providing more than a 3.5x reduction in median response latency. Complementary evidence from edge-service orchestration further shows that faster decisions do not necessarily translate into lower end-to-end service latency. These results expose a fundamental quality/latency tradeoff and position System-One models not as replacements for numerical optimization, but as a promising decision interface for latency-sensitive, bounded, and intent-driven wireless control.
- Abstract（参考訳）: 多くの無線制御タスクは、厳密なレイテンシと信頼性の制約の下で有限の実行可能な集合から1つのアクションを繰り返し選択する必要がある。
大規模言語モデル (LLM) は近年汎用決定エンジンとして登場しているが, 自動回帰生成機構はこのような境界制御問題と自然に一致していない。
本稿では,無線意思決定の軽量な代替手段として,明示的に定義された決定空間上の確率分布を直接学習するシステム・ワンモデルについて検討する。
我々は,それらの決定構造と学習目標を定式化し,物理層制御,無線資源管理,モビリティ,ネットワークスライシング,ネットワーク操作などに適用可能性を特定し,代表的無線ケーススタディを通じてそれらの実践行動を評価する。
JevをSystem-Oneの実装として使用し、生成LDMや従来のベースラインに対して決定品質とクライアントが保持するレイテンシをベンチマークする。
受信アンテナの選択では、Jevは評価されたLSMと比較して8.5倍の応答遅延を減少させるが、これはより強力なタスク固有の代替手段と比較して、決定品質の低下が伴う。
より注目すべきは、意図条件付きRANスライシングにおいて、Jevは評価されたLLMに匹敵するユーティリティを実現し、中央値応答遅延を3.5倍以上削減する。
エッジサービスオーケストレーションによる補完的な証拠は、より高速な決定が、必ずしもエンドツーエンドのサービスレイテンシに変換されるとは限らないことを示している。
これらの結果は、数値最適化の代替としてではなく、レイテンシに敏感で、有界で、インテント駆動の無線制御のための有望な決定インターフェースとして、基本的な品質/レイテンシのトレードオフと位置のシステムワンモデルを明らかにしている。
関連論文リスト
- FlexRouter: Learning Complementary Model Sets for Flexible LLM Routing [71.04470934007537]
既存のルーティングメソッドはLLMを独立してスコア付けし、上位$kのモデルを選択する。
これはモデル相関を無視し、厳格な計算予算を強制する。
モデリングを明示的にモデル化するルーティングフレームワークであるFlexを提案します。
論文 参考訳（メタデータ） (2026-09-29T21:44:05Z) - End-to-End Latency-Minimizing and Load-Balanced Request Scheduling for Edge LLM Inference in Agentic AI Services [13.04369901641143]
大規模言語モデル(LLM)を使用したエージェントAIサービスでは、低レイテンシ推論がますます求められている。
本研究では,各要求に対する送信,プリフィル,再分配レベル復号化,キー値キャッシュの進化をキャプチャするクロススロット推論モデルを開発した。
本稿では,Lyapunov最適化による長期負荷分散制約を変換するLYREO手法を提案する。
論文 参考訳（メタデータ） (2026-09-15T13:50:54Z) - Explanation-Based Runtime Verification for Trustworthy ML-driven Optical Networks [1.0849016186013645]
本稿では、個々の機械学習決定の健全性を評価するために、説明に基づく実行時検証を導入する。
説明に基づく検証は、高い自動化率を維持しながら、誤判定のかなりの部分をインターセプトできることを示す。
論文 参考訳（メタデータ） (2026-07-22T19:22:41Z) - OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。
LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。
提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
論文 参考訳（メタデータ） (2026-05-11T19:28:20Z) - Iterative Critique-and-Routing Controller for Multi-Agent Systems with Heterogeneous LLMs [31.34021188099265]
マルチエージェント大言語モデル(LLM)システムは、異種モデルのプールを調整するためのコントローラに依存していることが多い。
逐次決定問題としてマルチエージェントコーディネーションを提案する。
論文 参考訳（メタデータ） (2026-05-09T04:51:42Z) - Reliable LLM-Based Edge-Cloud-Expert Cascades for Telecom Knowledge Systems [54.916243942641444]
大規模言語モデル(LLM)は、通信などの分野において、自動化の鍵となる存在として浮上している。
本研究では,問合せパイプラインによる意思決定を支援する,エッジクラウドに精通したLLMベースの知識システムについて検討する。
論文 参考訳（メタデータ） (2025-12-23T03:10:09Z) - CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。
提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2025-08-15T07:49:22Z) - 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) - On-Device LLM for Context-Aware Wi-Fi Roaming [4.8099196240978275]
無線LAN(Wi-Fi)におけるローミングは、動的モバイル環境におけるシームレスな接続を維持する上で重要な課題である。
デバイス上での大規模言語モデル(LLM)の最初のクロス層利用について紹介する。
論文 参考訳（メタデータ） (2025-05-07T07:04:49Z) - 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)
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。