論文の概要: Agentic Semantic Sensing for Resource-Adaptive AI-RAN

• arxiv url: http://arxiv.org/abs/2610.07829v1
• Date: Tue, 06 Oct 2026 06:27:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.843745
• Title: Agentic Semantic Sensing for Resource-Adaptive AI-RAN
• Title（参考訳）: 資源適応型AI-RANのためのエージェントセマンティックセンシング
• Abstract要約: 本稿では,AI対応無線アクセスネットワーク(AI-RAN)のためのクローズドループフレームワークを提案する。 プロファイル条件付き因果変換器は、ストリーミング観測から意味的信念を更新する。 セマンティックユーティリティネットワークは、各可能なプロファイルの下で次の観測ブロックを取得することのタスクレベルの利点を推定する。
• 参考スコア（独自算出の注目度）: 34.36601084786793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic sensing (SemS) acquires task-relevant information rather than reconstructing complete physical information. Existing SemS formulations typically operate open loop: sensing configurations and observation schedules are fixed before inference and cannot respond to evolving task-level evidence. We propose Agentic SemS, a closed-loop framework for AI-enabled radio access networks (AI-RANs) that controls sensing within a communication-feasible profile set. A profile-conditioned causal Transformer updates the semantic belief from streaming observations, while key-value caching enables efficient state updates across profile changes without repeatedly processing the complete history. A semantic utility network estimates the task-level benefit of acquiring the next observation block under each feasible profile after accounting for sensing cost. The resulting continuation utilities jointly support next-profile selection and semantic early exit, adapting sensing configuration and duration to evolving evidence. The expected semantic gain is further related to conditional mutual information, providing a value-of-information interpretation of continued online sensing. Experiments on Widar3.0 with six emulated sensing profiles show that, in comparison with full-sequence High, the resource-efficient Agentic setting reduces normalized cumulative sensing cost by 25.33% while achieving 85.79% Macro-F1. At the same utility checkpoint, semantic early exit provides a further 12.35% cost reduction over adaptive sensing without early exit, with a 0.97-percentage-point Macro-F1 decrease.
• Abstract（参考訳）: セマンティックセンシング(SemS)は、完全な物理情報を再構成するのではなく、タスク関連情報を取得する。 既存のSemSの定式化は、一般にオープンループを運用する: 設定や観察スケジュールは推論の前に固定され、進化するタスクレベルのエビデンスに対応できない。 本稿では,AI対応無線アクセスネットワーク(AI-RAN)のためのクローズドループフレームワークであるAgentic SemSを提案する。 プロファイル条件付き因果変換器は、ストリーミング観測から意味的信念を更新する一方、キー値キャッシュは、完全な履歴を繰り返すことなく、プロファイル変更間の効率的な状態更新を可能にする。 セマンティックユーティリティネットワークは、センシングコストを考慮した後、各実行可能なプロファイルの下で次の観測ブロックを取得することのタスクレベル利益を推定する。 結果として生じる継続ユーティリティは、次の目立った選択とセマンティックアーリーエグジットを共同でサポートする。 期待されるセマンティックゲインは条件付き相互情報とさらに関連し、継続的なオンラインセンシングの価値情報解釈を提供する。 6つのエミュレートされたセンシングプロファイルを用いたWidar3.0の実験では、フルシーケンスのHighと比較して、リソース効率の良いエージェント設定により、正規化された累積センシングコストが25.33%削減され、85.79%のマクロF1が達成された。 同じユーティリティチェックポイントでは、セマンティックアーリーエグジットにより、早期エグジットなしで適応センシングよりも12.35%コストが削減され、0.97パーセントのマクロ-F1が減少する。

関連論文リスト

• REER-PT: Reverse-Engineered Reasoning for Perplexity-Guided Pre-training Data Augmentation [64.84437332310516]
  我々は,Reverse-Engineered Reasoning (REER) を生の事前学習データに拡張するスケーラブルなフレームワークである textbfREER-PT を紹介する。 REER-PTは予測が難しいが、それ以前のコンテキストから推論できる継続を識別し、コンテキストと継続の間の欠落した接続を再構築する簡潔な推論アノテーションを挿入する。 このスパース変換は、ソーステキストを保存し、トレーニング前のオンライン推論ロールアウトを避けることで、標準的な次世代の予測と互換性を維持します。
  論文  参考訳（メタデータ） (2026-08-31T11:34:19Z)
• IPDiff: Diffusion-driven ORSI Salient Object Detection with Information Reconstruction and Multi-Prior Guidance [82.31495007058976]
  IPDiffは拡散駆動型ORSI-SOD法である。 我々は、IDDiffを動的パラメータで反復最適化する機能を備えた、ユニークな動的最適化戦略に基づいてIDDiffを構築する。 提案したIDDiffは46の最先端手法と比較して性能が良い。
  論文  参考訳（メタデータ） (2026-07-04T04:03:33Z)
• WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
  WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。 WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。 NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
  論文  参考訳（メタデータ） (2026-04-20T01:29:56Z)
• NIDS Neural Networks Using Sliding Time Window Data Processing with Trainable Activations and its Generalization Capability [0.0]
  本稿では,ネットワーク侵入検知システム(NIDS)のためのニューラルネットワークについて述べる。 ディープパケットインスペクションに頼らず、ほとんどのNIDSデータセットで見つからず、従来のフローコレクタから簡単に取得できる11の機能しか必要としない。 報告されたトレーニング精度は、提案手法の99%を超え、ニューラルネットワークの入力特性は20に満たない。
  論文  参考訳（メタデータ） (2024-10-24T11:36:19Z)
• MutDet: Mutually Optimizing Pre-training for Remote Sensing Object Detection [36.478530086163744]
  本研究では,MutDetと呼ばれるリモートセンシングオブジェクト検出のための,Mutally最適化事前学習フレームワークを提案する。 MutDetはオブジェクトの埋め込みを融合し、検出器は最後のエンコーダ層に双方向に機能し、情報インタラクションを強化する。 様々な環境での実験は、新しい最先端の転送性能を示している。
  論文  参考訳（メタデータ） (2024-07-13T15:28:15Z)
• Accurate Passive Radar via an Uncertainty-Aware Fusion of Wi-Fi Sensing Data [12.511211994847173]
  Wi-Fiデバイスは、周囲で何が起きているのかを検知し、人間の活動を識別するパッシブレーダーシステムとして効果的に利用することができる。 本稿では,データ生成に係わる潜在分布を推定するために,変分自動エンコーダを用いたアーキテクチャを提案する。 我々は、同一のWi-Fi受信機の異なるアンテナで処理された融合データにより、人間の活動認識の精度が向上することを確認した。
  論文  参考訳（メタデータ） (2024-07-01T08:26:15Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)

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。