論文の概要: Diffusion-Based Stress Testing of Overload Monitoring for Resilient Emergency Cellular Networks Using Internet CDR Proxies

• arxiv url: http://arxiv.org/abs/2610.04526v1
• Date: Sat, 03 Oct 2026 13:46:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 19:10:01.969291
• Title: Diffusion-Based Stress Testing of Overload Monitoring for Resilient Emergency Cellular Networks Using Internet CDR Proxies
• Title（参考訳）: インターネットCDRプロキシを用いた緊急セルネットワークの過負荷モニタリングの拡散応力試験
• Abstract要約: 我々は、スタイリングされたオーバーロードインジェクションに基づいて、軽量畳み込みニューラルネットワーク(CNN)を訓練する。 通常の交通構造を保った拡散合成サージを用いてストレス試験を行う。 我々は、硬質合成試料で再トレーニングすることで検出器を適応する。
• 参考スコア（独自算出の注目度）: 2.6984180871852144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Disasters can overload cellular control-plane signaling within minutes, yet fine-grained Radio Resource Control (RRC) or Next Generation (NG) Application Protocol (NGAP) telemetry is privacy-sensitive and costly to collect for analytics. Many emergency monitoring pipelines therefore rely on coarse Call Detail Record (CDR) aggregates. We treat Internet activity in CDR grids as a practical proxy for hidden signaling stress under that constraint. We train a lightweight convolutional neural network (CNN) on stylized overload injections, stress-test it with diffusion-synthesized surges that preserve normal traffic structure, and adapt the detector by retraining on hard synthetic samples. Under stress-test conditions, the default alert threshold fails even though receiver operating characteristic (ROC) curves stay strong: the detector still assigns overloaded cells a larger overload probability than normal cells, but those probabilities fall below the default cutoff 0.5 and are labeled normal, so the F1-maximizing threshold -- selected post hoc on the same stress-test grids (oracle $τ^*$) -- shifts by $0.32 \pm 0.03$ (operating-point drift). Across three random seeds, hard-sample adaptation raises thresholded performance (F1) from 0% (no alerts at the default cutoff 0.5 on any seed) to $85.67 \pm 14.37$% and ranking from ROC-AUC $0.886 \pm 0.040$ to $0.99996 \pm 0.00007$. Diffusion-synthesized surges expose threshold fragility that matched-condition training -- training and testing on the same stylized injections -- hides, and hard-sample adaptation restores usable alerts at the default cutoff. Together, these steps define a reusable pre-deployment stress test for emergency monitors. Internet-only CDR input further supports lightweight AI-native workflows that combine monitoring, recalibration, and adaptation.
• Abstract（参考訳）: 災害は数分でセル制御プレーンシグナルをオーバーロードできるが、詳細な無線リソース制御(RRC)やNGAP(Next Generation Application Protocol)テレメトリはプライバシーに敏感で、分析のために収集するのに費用がかかる。 したがって、多くの緊急監視パイプラインは粗いコールディーテールレコード(CDR)集約に依存している。 我々は、CDRグリッドにおけるインターネットのアクティビティを、その制約の下に隠されたシグナル伝達ストレスの実用的なプロキシとして扱う。 オーバロードインジェクションをスタイリングした軽量畳み込みニューラルネットワーク(CNN)をトレーニングし、通常の交通構造を保存する拡散合成サージを用いてストレステストを行い、硬質合成試料で再トレーニングすることで検出器を適応する。 検知器はオーバーロードされた細胞を通常の細胞よりも大きなオーバーロード確率で割り当てるが、それらの確率はデフォルトのカットオフ0.5以下に低下し、正常にラベル付けされているため、F1-maximizing threshold -- 同じストレステストグリッド上で選択されたポストホック (oracle $τ^*$) -- のシフトは0.32 \pm 0.03$ (オペレーティングポイントドリフト)である。 3つのランダムな種子の中で、ハードサンプル適応はしきい値性能(F1)を0%から85.67 pm 14.37$%に引き上げ、ROC-AUC $0.886 pm 0.040$から0.99996 pm 0.00007$にランク付けする。 拡散合成されたサージは、条件付きトレーニング – 同じスタイルのインジェクションでトレーニングとテスト – にマッチするしきい値の脆弱性を露呈する。 これらのステップは、緊急監視のための再利用可能な事前デプロイストレステストを定義する。 インターネットのみのCDR入力は、監視、校正、適応を組み合わせた軽量なAIネイティブワークフローもサポートする。

関連論文リスト

• Offline Reinforcement Learning for Distribution-Grid Protection [42.05746375597851]
  我々は,CIGRE中電圧ネットワークの静的軌跡からの線選択的トリップについて検討した。 畳み込みQネットワークは、因果電圧電流ファサーおよび見かけインピーダンス特徴を受信する。 その結果,密度予測性能と終端保護挙動がモデルランキングに影響を及ぼす可能性が示唆された。
  論文  参考訳（メタデータ） (2026-09-21T14:49:04Z)
• Diff-DDoS: Realistic Cyber-Physical Attack Synthesis and Robust Detection for 5G-Enabled CPS Using Tabular Diffusion Models [8.261320256835306]
  5G対応サイバー物理システムのためのディープラーニングベースのDDoS検出器は、ラベル付きアタックデータと非現実的な合成代替品が不足している。 本稿では,現実的な攻撃合成とロバスト検出モデルのための3段階フレームワークであるDiff-DDoSを提案する。
  論文  参考訳（メタデータ） (2026-08-18T13:56:47Z)
• Multimodal Transformer Based Generic Mixture Density Network for Scattering Timescale Estimation of Fast Radio Bursts [0.7632410926487435]
  本稿では,MT-GMDN (Multimodal Transformer Based Generic Mixture Density Network) という深層学習手法を提案する。 MT-GMDN は CHIME/FRB cattwo から$sim3500$ FRB のトレーニングを行い,トレーニング中の検証やトレーニング完了後のテストのために一部の FRB を保有した。 モデルは、測定可能な散乱を伴う事象に対する期待値の$$$$に対して94%$の判定係数(R2$)を、テストにおいて90%$の優れたリコール値で達成する。
  論文  参考訳（メタデータ） (2026-06-02T13:01:08Z)
• Stochastic Estimation of the Layer-wise Hessian Trace for Monitoring Neural-network Training [45.88028371034407]
  本稿では,ニューラルネットワークの経験的リスクであるヘッセン行列の対角ブロックの軌跡のパラメータ推定器を提案する。 この手順はハッチンソントレース推定器とパラメータベクトル全体の上の1つのヘッセンベクトル積を組み合わせたものである。 重み分担の下での正しさは,第2次微分の前に階層的にヘッセンを組み立てる必要があることを示す。
  論文  参考訳（メタデータ） (2026-05-25T10:24:32Z)
• PACT: Reducing Alert Fatigue in Low-Prevalence SOC Streams with Triggered Active Learning [3.6732711233211663]
  PACTは、すでにデプロイ済みの冷凍XGBoost-Focalスクリーンを、アダプティブウィンドウニングスコアシフトトリガーでラップする。 適応法の中では, 良性正常化偽陽性負担が最少である。
  論文  参考訳（メタデータ） (2026-05-21T11:11:39Z)
• RAPT: Model-Predictive Out-of-Distribution Detection and Failure Diagnosis for Sim-to-Real Humanoid Robots [1.5765892172285598]
  本稿では,50Hzのヒューマノイド制御のための軽量で自己監督型展開時間モニタRAPTを提案する。 RAPTは,数値シミュレーションから確率的時間的確率多様体を学習し,実行時の予測偏差を評価する。 我々は,シミュレーションおよび物理ハードウェアにおける4つの複雑なタスクに対して,Unitree G1ヒューマノイド上でRAPTを評価する。
  論文  参考訳（メタデータ） (2026-02-02T01:04:55Z)
• Network-Optimised Spiking Neural Network for Event-Driven Networking [2.5941336499463383]
  スパイキングニューラルネットワークは、異常検出、ローカルルーティング制御、エッジでの混雑管理など、時間クリティカルなネットワークタスクに適したイベント駆動型計算を提供する。 本稿では,正規化された待ち行列の占有状態と回復資源を符号化したコンパクトな2変数ユニットであるNetwork-Optimized Spiking (NOS)を紹介する。 我々は、データ駆動初期化、リセットシャープネスに基づくホモトピーによる代理段階トレーニング、リソース制約されたデプロイメントのための境界のトポロジによる明確な安定性チェックのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-27T22:31:24Z)
• Adapt in the Wild: Test-Time Entropy Minimization with Sharpness and Feature Regularization [85.50560211492898]
  テスト時適応(TTA)は、テストデータが分散シフトが混在している場合、モデルの性能を改善または損なう可能性がある。 これはしばしば、既存のTTAメソッドが現実世界にデプロイされるのを防ぐ重要な障害である。 両面からTTAを安定化させるため,SARと呼ばれる鋭く信頼性の高いエントロピー最小化手法を提案する。
  論文  参考訳（メタデータ） (2025-09-05T10:03:00Z)
• DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation [68.55191764622525]
  拡散モデル(DPM)は、視覚合成において顕著な性能を示すが、サンプリング中に複数の評価を必要とするため、計算コストが高い。 最近の予測器合成・拡散サンプリング装置は,要求される評価回数を大幅に削減したが,本質的には誤調整の問題に悩まされている。 我々はDC-CPRrと呼ばれる新しい高速DPMサンプリング装置を導入する。
  論文  参考訳（メタデータ） (2024-09-05T17:59:46Z)
• Training Strategies for Deep Learning Gravitational-Wave Searches [43.55994393060723]
  我々は、非スピン性二元ブラックホールからの信号に分析を限定する。 トレーニングデータをネットワークに提示するさまざまな戦略を体系的にテストする。 深層学習アルゴリズムは低信号-雑音比(SNR)信号を高SNR信号に一般化できるが、その逆はできない。
  論文  参考訳（メタデータ） (2021-06-07T16:04:29Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)

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。