論文の概要: X-RIC: An Agentic RAN-Intelligent Controller Benchmark for Enhancing Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2610.22269v1
- Date: Thu, 15 Oct 2026 17:34:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.227749
- Title: X-RIC: An Agentic RAN-Intelligent Controller Benchmark for Enhancing Reinforcement Learning
- Title（参考訳）: X-RIC:強化学習を支援するエージェントRAN-Intelligent Controller Benchmark
- Abstract要約: 我々はエージェントAIをO-RANアーキテクチャに統合する新しいフレームワークを提案する。
X-RICは、リアクティブ強化学習(RL)と戦略的エージェント推論を組み合わせた: (i) ドメインを使用した自動行動クローン(BC) サンプル効率のトレーニング、 (ii) テレコム言語モデル(TLM) コンテクストの抽象化と解釈性を提供するトランスフォーマーベースの推論モジュール、 (iii) 近接RT RIC制御ループ内でのクローズドループ共適応による継続的なポリシー改善を実現する。
X-RIC 89%の運用コスト削減とSLAコンプライアンスの維持、75%の高速化、50%のトレーニングステップの短縮
- 参考スコア（独自算出の注目度）: 5.192268708788285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The O-RAN ALLIANCE introduces architectural flexibility through disaggregation and AI-driven control. While the RAN Intelligent Controller (RIC) enables centralized optimization, current AI approaches lack reasoning capabilities and explainability. We propose eXplainable RIC (X-RIC), a novel framework integrating agentic AI into O-RAN architectures. X-RIC combines reactive Reinforcement Learning (RL) with strategic agentic reasoning through: (i) automated Behavioral Cloning (BC) using domain heuristics for sample-efficient training, (ii) a Telecom Language Model (TLM), a transformer-based reasoning module providing contextual abstraction and interpretability, and (iii) closed-loop co-adaptation within the Near-RT RIC control loop enabling continuous policy refinement. To ensure deployment readiness, we introduce BARX (Benchmarking Agentic Reasoning for RAN), a domain-specific evaluation framework assessing agentic control across latency, compliance, and determinism metrics. We validate X-RIC on SLA-aware network slicing in simulation and O-RAN-compliant testbed deployments. X-RIC achieves 89% operational cost reduction while maintaining SLA compliance, converging 75% faster with 50% fewer training steps and 46% lower variance.
- Abstract（参考訳）: O-RAN ALLIANCEでは、デアグリゲーションとAI駆動制御によるアーキテクチャの柔軟性が導入されている。
RAN Intelligent Controller(RIC)は集中的な最適化を可能にするが、現在のAIアプローチには推論機能と説明性がない。
我々はエージェントAIをO-RANアーキテクチャに統合する新しいフレームワークであるeXplainable RIC (X-RIC)を提案する。
X-RICは、リアクティブ強化学習(RL)と戦略的エージェント推論を組み合わせる。
(i)ドメインヒューリスティックを用いた自動行動クローン(BC)によるサンプル効率訓練
(ii)Telecom Language Model(TLM)は、文脈的抽象化と解釈可能性を提供するトランスフォーマーベースの推論モジュールで、
3) 連続的な政策改善を可能にするNear-RT RIC制御ループ内での閉ループ共適応。
BARX(Benchmarking Agentic Reasoning for RAN)は、レイテンシ、コンプライアンス、決定論的メトリクス間のエージェント制御を評価するドメイン固有の評価フレームワークである。
シミュレーションおよびO-RAN準拠テストベッド配置におけるSLA対応ネットワークスライシングにおけるX-RICの有効性を検証した。
X-RICはSLA準拠を維持しながら89%の運用コスト削減を実現し、75%の高速化と50%のトレーニングステップの削減、46%の分散を実現している。
関連論文リスト
- ARISE-RL: Agentic Rubric-Grounded Iterative Self-Evolution with Reinforcement Learning [74.19730275669227]
ARISE-RLは、オープンエンドエージェントをトレーニングするための新しいフルサイクルの自己進化フレームワークである。
Reward-Gated Self-Evolution Distillation (RG-SED)を提案する。
ECR-Benchは,シングルツールディープリサーチとマルチツールトラベルプランニングを対象とする,専門家校正型ルーリックベンチマークスイートである。
論文 参考訳（メタデータ） (2026-09-01T10:54:13Z) - Generate, Filter, Control, Replay: A Comprehensive Survey of Rollout Strategies for LLM Reinforcement Learning [79.88942231770629]
強化学習(RL)は、大規模言語モデル(LLM)の推論能力を向上させるための訓練後の中心的なツールとなっている。
統一表記によるロールアウトパイプラインの形式化とGenerate-Filter-Control-Replay(GFCR)の導入
検証可能な報酬、プロセスの監督、判断に基づくゲーティング、ガイドとツリー/セグメントのロールアウト、アダプティブな計算割り当て、早期終了と部分的なロールアウト、スループット最適化、自己改善のための再生/再配置でRLにまたがる手法を合成する。
論文 参考訳（メタデータ） (2026-04-08T00:53:29Z) - RISER: Orchestrating Latent Reasoning Skills for Adaptive Activation Steering [62.63376387138257]
本稿では,アクティベーション空間における大規模言語モデル(LLM)推論を適応的に制御するプラグイン・アンド・プレイ介入フレームワークを提案する。
RISERは再利用可能な推論ベクトルのライブラリを構築し、軽量ルータを使用して各入力に対して動的に構成する。
ルーターは、タスクレベルの報酬の下で強化学習を通じて最適化され、緊急かつ構成的な方法で潜在する認知的プリミティブを活性化する。
論文 参考訳（メタデータ） (2026-01-14T08:04:33Z) - ORPR: An OR-Guided Pretrain-then-Reinforce Learning Model for Inventory Management [9.138155308817215]
プレトレイン-Then-Reinforce」アプローチは、AIの適応的認識をオペレーションリサーチの構造的厳密さと調和させる。
構造化OR論理で導かれる場合、軽量でドメインインフォームドモデルにより最先端の性能とロバストな転送性が得られることを示す。
論文 参考訳（メタデータ） (2025-12-22T03:39:43Z) - Meta Hierarchical Reinforcement Learning for Scalable Resource Management in O-RAN [9.290879387995401]
本稿では,モデル非依存型メタラーニング(MAML)に触発された適応型メタ階層型強化学習フレームワークを提案する。
このフレームワークは階層的な制御とメタラーニングを統合し、グローバルとローカルの両方の適応を可能にする。
ネットワークスケールの増加に伴い、適応と一貫性のある公平性、レイテンシ、スループットのパフォーマンスが最大40%向上する。
論文 参考訳（メタデータ） (2025-12-08T08:16:27Z) - STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。
我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。
MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2025-08-26T08:47:58Z) - PRATA: A Framework to Enable Predictive QoS in Vehicular Networks via Artificial Intelligence [16.48895653820328]
遠隔運転アプリケーションのためのAIに基づくPredictiveを実現するための新しいシミュレーションフレームワークであるPRATAを提案する。
PRATAは、(i) 5G無線アクセスネットワーク(RAN)をシミュレートするエンドツーエンドのプロトコルスタック、(ii)自動車データを生成するツール、(iii)PQoS決定を最適化する人工知能(AI)ユニットから構成される。
その実用性を証明するため、PRATAを用いてRAN-AIと呼ばれるRLユニットを設計し、リソース飽和やチャネル劣化の場合に遠隔操作運転データのセグメンテーションレベルを最適化する。
論文 参考訳（メタデータ） (2025-07-15T10:36:25Z) - LLM-hRIC: LLM-empowered Hierarchical RAN Intelligent Control for O-RAN [56.94324843095396]
本稿では、無線アクセスネットワーク(O-RAN)におけるRCC間の協調性を改善するため、LLM-hRIC(LLM-hRIC)フレームワークを紹介する。
このフレームワークは,グローバルネットワーク情報を用いたリアルタイムRIC(non-RT RIC)の戦略的ガイダンスを提供する。
RL搭載の近RT RICは実装者として機能し、このガイダンスとローカルリアルタイムデータを組み合わせて近RT決定を行う。
論文 参考訳（メタデータ） (2025-04-25T04:18:23Z) - Safe and Accelerated Deep Reinforcement Learning-based O-RAN Slicing: A
Hybrid Transfer Learning Approach [20.344810727033327]
我々は,DRLをベースとしたO-RANスライシングにおいて,安全かつ迅速な収束を実現するためのハイブリッドTL支援手法を提案し,設計する。
提案されたハイブリッドアプローチは、少なくとも7.7%と20.7%は、平均的な初期報酬値と収束シナリオの割合を改善している。
論文 参考訳（メタデータ） (2023-09-13T18:58:34Z)
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。