論文の概要: RAN-JEPA: An Action-Conditioned World Model for Energy-efficient Mobile Network Control

• arxiv url: http://arxiv.org/abs/2610.17584v1
• Date: Tue, 13 Oct 2026 02:05:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.488685
• Title: RAN-JEPA: An Action-Conditioned World Model for Energy-efficient Mobile Network Control
• Title（参考訳）: RAN-JEPA:エネルギー効率の良いモバイルネットワーク制御のためのアクションコンディション世界モデル
• Abstract要約: RAN-JEPAは、表現学習と介入学習を分離するアクション条件付き世界モデルである。 実機4セル5Gテストベッドを用いて, 実機の性能データを用いてRAN-JEPAを評価し, ドメイン適応, ポストトレーニング, 制御を行った。
• 参考スコア（独自算出の注目度）: 20.367513882421175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Operational mobile networks are rich in observations but poor in interventions: they continuously generate large volumes of passive telemetry, while controlled action--response trajectories remain comparatively scarce and costly to collect. This observation--intervention asymmetry is a central obstacle to building practical world models for RAN control. We address this problem with RAN-JEPA, an action-conditioned world model that separates representation learning from intervention learning. The model first learns a predictive latent representation from observation-only network data, adapts that representation to the target deployment domain, and then learns action-conditioned latent dynamics from controlled sleep/wake trajectories while keeping the encoder fixed. We evaluate RAN-JEPA using public operator performance data for pretraining and a real-equipment four-cell 5G testbed for domain adaptation, post-training, and control. Across four future 15-minute intervals, RAN-JEPA achieves lower action-conditioned prediction error than a GPT-2 world-model baseline and a mechanistic rule, while remaining close to a strong persistence reference. What-if evaluation further shows that the model produces distinct and coherent future trajectories under matched SLEEP and KEEP plans. In closed-loop control, RAN-JEPA consistently supports higher sleep ratios than the two baselines at comparable congestion cost. These results show that observation-first, action-conditioned learning can turn abundant passive telemetry and limited intervention data into a practical predictive model for energy-aware RAN control.
• Abstract（参考訳）: 操作型移動体ネットワークは、観測に富んでいるが、介入に乏しく、大量の受動テレメトリを連続的に生成する一方、制御された動作-応答軌道は比較的少なく、収集に費用がかかる。この観測-干渉非対称性は、RAN制御のための実用的な世界モデルを構築するための中心的な障害である。 本稿では,表現学習と介入学習を分離した行動条件付き世界モデルRAN-JEPAを用いてこの問題に対処する。 モデルはまず、観測のみのネットワークデータから予測潜在表現を学習し、その表現を対象のデプロイメントドメインに適応させ、その後、エンコーダを固定しながら制御された睡眠/覚醒軌跡から動作条件付き潜伏ダイナミクスを学習する。 実機4セル5Gテストベッドを用いて, 実機の性能データを用いてRAN-JEPAを評価し, ドメイン適応, ポストトレーニング, 制御を行った。 4つの将来の15分間隔で、RAN-JEPAはGPT-2ワールドモデルベースラインとメカニスティックルールよりも動作条件付き予測誤差が低いが、強い永続参照に近づいたままである。 What-if評価はさらに、一致したSLEEPとKEEPプランの下で、モデルが異なる、一貫性のある将来の軌道を生成することを示す。 クローズドループ制御では、RAN-JEPAは、同じ混雑コストで2つのベースラインよりも高い睡眠比を一貫してサポートしている。 これらの結果から、観測優先の行動条件学習は、受動的テレメトリと限られた介入データから、エネルギーを意識したRAN制御の実用的な予測モデルに変換できることが示唆された。

関連論文リスト

• Benchmarking Generative Trajectory Models for Active-Inference Control [8.861374813557214]
  軌道上のデモンストレーションから学ぶことは、複雑なシステムの能動的推論制御への経路を提供する。 本稿では,1つの生成軌道モデルが実演から学習し,行動介入を測定するジェネラティブアクティブ推論制御(GenAIF)を紹介する。
  論文  参考訳（メタデータ） (2026-10-05T02:09:37Z)
• JEPA Policy: Diffusion-Free Imitation Learning via Paired Action and Future Representation Prediction [6.889062419237111]
  JEPA Policyは、アクションチャンクとその観測された将来の表現をペア化されたトレーニングターゲットとして使用する、拡散のないフレームワークである。 将来の予測は、アクションを生成するために使われる表現を形作ることができる。 その結果、反復的な生成サンプリングを伴わない低遅延ビズモータ模倣に対する実践的なアプローチとして、ペア・フューチャー・リ表現の監視を支援する。
  論文  参考訳（メタデータ） (2026-09-09T02:42:20Z)
• JEPA for AI-Native 6G: Predictive Representations and Open Challenges [27.750083239158567]
  6Gネットワークは、学習モジュールがRAN(Radio Access Network)、エッジ、コアに埋め込まれる、AIネイティブなオペレーションに向かっている。 JEPA(Joint-embedding predictive Architecture)はこの設定において有望な自己監督型パラダイムである。 本稿では6GインテリジェンスのためのJEPAに関する無線指向チュートリアルを紹介する。
  論文  参考訳（メタデータ） (2026-07-09T14:10:09Z)
• SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
  本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。 我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。 高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-22T15:00:59Z)
• Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
  Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。 表現の崩壊を防ぎ、アクション整列表現を誘導する。 コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
  論文  参考訳（メタデータ） (2026-06-18T11:25:16Z)
• World Action Verifier: Self-Improving World Models via Forward-Inverse Asymmetry [82.93104394404781]
  汎用世界モデルは、スケーラブルなポリシー評価、最適化、計画を約束します。 本稿では,世界モデルによる予測誤りと自己改善を識別するフレームワークであるWorld Action Verifier(WAV)を提案する。
  論文  参考訳（メタデータ） (2026-04-02T12:48:36Z)
• Balancing Performance and Fairness in Explainable AI for Anomaly Detection in Distributed Power Plants Monitoring [0.27998963147546146]
  本研究では,アンサンブル手法とベースラインモデルを統合した教師付きMLフレームワークを提案する。 異常検出における性能,解釈可能性,公平性を両立させることが可能であることを示す。 また、コンテナ化されたサービスがリアルタイムに処理し、低レイテンシの予測を提供し、解釈可能なアウトプットを提供する方法を示す。
  論文  参考訳（メタデータ） (2026-03-19T14:24:05Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)

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。