論文の概要: KPI-Aware Multimodal Anomaly Detection for 5G and Open RAN Telemetry

• arxiv url: http://arxiv.org/abs/2610.25510v1
• Date: Sun, 18 Oct 2026 19:59:20 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:42:03.33798
• Title: KPI-Aware Multimodal Anomaly Detection for 5G and Open RAN Telemetry
• Title（参考訳）: 5GおよびオープンRANテレメトリのためのKPI対応マルチモーダル異常検出
• Abstract要約: KACはデプロイメント指向の演算子対応異常検出フレームワークである。 残差テキストアライメントを使用して、フルレベルのKPI時間的証拠に対する学習可能なフィードバック信号を生成する。 しきい値なしランキングの指標で競争力を維持しながら、強いしきい値ベースの検出性能を達成する。
• 参考スコア（独自算出の注目度）: 4.215637250551766
• License:
• Abstract: Reliable anomaly detection is a deployment bottleneck for 5G/Open RAN observability and emerging self-optimizing 6G systems, where hundreds of heterogeneous KPIs, severe class imbalance, and strict alert budgets make purely numerical scores brittle. We present KAC, a deployment-oriented KPI-aware multimodal anomaly-detection framework that uses KPI-level residual-text alignment to turn compact operator-style summaries into a learnable feedback signal over full-KPI temporal evidence. This gives the detector broad numerical coverage like modern time-series models, while retaining the sparse KPI-specific reasoning that makes operator feedback sustainable in a future operator-facing workflow. Across public telecom telemetry, enterprise-scale Open RAN observability data, and a Nokia benchmark built from real 5G RAN production packet traces with realism-hardened injected anomalies, KAC achieves strong threshold-based detection performance while remaining competitive on threshold-free ranking metrics. On TelecomTS, at a fixed 2.5 percent false-positive-rate operating point, KAC achieves the highest recall among the evaluated residual-based methods while maintaining comparable precision; across the evaluated benchmarks, it remains robust under substantial class imbalance. KAC is integrated in pre-production shadow mode with Nokia's GKE-based KPI construction pipeline, where it continuously scores telemetry windows alongside an internal packet-level anomaly detector for operational evaluation.
• Abstract（参考訳）: 信頼性の高い異常検出は、5G/Open RANオブザーバビリティと、何百もの不均一なKPI、厳しいクラス不均衡、厳格な警告予算が純粋に数値的なスコアを不安定にする、新たな自己最適化6Gシステムのデプロイメントボトルネックである。 KPIレベルの残差テキストアライメントを用いて,KPIの時間的証拠に対して,コンパクトな演算子スタイルの要約を学習可能なフィードバック信号に変換する,デプロイメント指向のKPI対応マルチモーダル異常検出フレームワークであるKACを提案する。 これにより、検出器は現代の時系列モデルのように広い数値範囲をカバーできると同時に、KPI固有の疎結合な推論を維持し、オペレーターのフィードバックを将来のオペレーター向けワークフローで持続可能なものにすることができる。 公開テレコムテレメトリ、エンタープライズ規模のOpen RAN観測データ、リアル5G RAN生成パケットトレースから構築されたNokiaベンチマークの他、KACは、しきい値なしランキングメトリクスの競争力を維持しながら、強いしきい値ベースの検出性能を達成している。 TelecomTSでは、固定された2.5パーセントの偽陽性率動作ポイントにおいて、KACは、評価された残差ベースのメソッドの中で、同等の精度を維持しながら、最も高いリコールを達成する。 KACは、NokiaのGKEベースのKPI構築パイプラインとプレプロダクションシャドウモードに統合されており、内部のパケットレベルの異常検知器とともにテレメトリウィンドウを継続的にスコアし、運用評価を行う。

関連論文リスト

• Do Time-Series Foundation Models Pay Off for Industrial Monitoring? A Cost-Aware Empirical Study [1.8419890068150178]
  時系列基礎モデル(TSFM)は再利用可能な表現とゼロショット予測を約束する。 本研究は,3つの設定にまたがってプロトコルを考慮した経験的評価を示す。
  論文  参考訳（メタデータ） (2026-08-24T08:30:06Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)
• ECoLAD: Deployment-Oriented Evaluation for Automotive Time-Series Anomaly Detection [1.7751300245073598]
  時系列異常検出器は、制約のない実行下で、ワークステーションクラスのハードウェアで一般的に比較される。 しかし、車内監視は、限られたCPU並列性の下で予測可能なレイテンシと安定した動作を必要とする。 本稿では,プロプライエタリな自動車テレメトリに関する実証的研究として,デプロイ指向評価プロトコルであるECoLADを提案する。
  論文  参考訳（メタデータ） (2026-03-11T16:08:56Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• A Sensing Dataset Protocol for Benchmarking and Multi-Task Wireless Sensing [45.99328292838584]
  本稿では,大規模無線センシングのためのプロトコルレベルの仕様とベンチマークフレームワークであるSensing dataset Protocol (SDP)を提案する。 SDPは、異種無線信号が統一された知覚データブロックスキーマにどのようにマッピングされるかを定義する。 統一ベンチマークは、一貫した前処理、トレーニング、評価を伴う検出、認識、バイタルサイン推定のために確立される。
  論文  参考訳（メタデータ） (2025-12-13T05:01:30Z)
• ZK-SenseLM: Verifiable Large-Model Wireless Sensing with Selective Abstention and Zero-Knowledge Attestation [0.0]
  ZK-SenseLMはセキュアで監査可能な無線センシングフレームワークである。 Wi-Fiチャネル状態情報のための大モデルエンコーダと、ポリシ基底決定層と、推論のゼロ知識証明とをペアリングする。
  論文  参考訳（メタデータ） (2025-10-29T16:43:07Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• ARGOS: Anomaly Recognition and Guarding through O-RAN Sensing [3.018691733760647]
  ローグ基地局(RBS)の攻撃、特にダウングレード脆弱性を悪用した攻撃は、引き続き永続的な脅威である。 本研究は、近リアルタイムRIC内に展開された総合的なO-RAN準拠侵入検知システム(IDS)であるARGOSを紹介する。 ARGOSは、O-RANコンテキスト内で探索されていない領域であるRBSのダウングレード攻撃を、リアルタイムで検出する。
  論文  参考訳（メタデータ） (2025-06-07T20:32:23Z)
• Adaptive Thresholding Heuristic for KPI Anomaly Detection [1.57731592348751]
  時系列領域では、多くの異常検知器が探索されているが、ビジネス的な意味では、すべての異常検出器が興味のある異常であるわけではない。 本稿では,データ分布の局所特性に基づいて検出閾値を動的に調整し,時系列パターンの変化に適応する適応的閾値保持ヒューリスティック(ATH)を提案する。 実験結果から, ATHは効率が良く, ほぼリアルタイムで異常検出が可能であり, 予測器や異常検出器で柔軟であることがわかった。
  論文  参考訳（メタデータ） (2023-08-21T06:45:28Z)

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。