論文の概要: From Confounding to Counterfactuals: A Cross-Layer Causal Model for RAN Scheduling

• arxiv url: http://arxiv.org/abs/2611.00635v1
• Date: Sat, 31 Oct 2026 05:01:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:37:46.624906
• Title: From Confounding to Counterfactuals: A Cross-Layer Causal Model for RAN Scheduling
• Title（参考訳）: コンファウンディングから非現実へ:RANスケジューリングのためのクロス層因果モデル
• Abstract要約: LAN(Radio Access Network)におけるデータ駆動制御は、制御アクションとキーパフォーマンスインジケータの関連を利用してリソース割り当てを選択する。 コンバウンディングオーバーステートとして知られるバイアスは、アロケーションの効果と、利益を得られないユーザ機器(UE)へのリソースのミスダイレクトである。 PHY,MAC,ネットワーク層にまたがる階層構造因果モデル(H-SCM)を提案する。
• 参考スコア（独自算出の注目度）: 22.337325905311122
• License:
• Abstract: Data-driven control in radio access networks (RANs) selects resource allocations using associations between control actions and key performance indicators (KPIs) learned from network telemetry. Because the shared radio environment influences both the scheduler's decisions and the resulting performance, a bias known as confounding, such associations overstate the effect of an allocation and misdirect resources toward user equipment (UEs) that cannot benefit. Moreover, individual UEs respond heterogeneously to the same decision, so even a corrected average effect does not identify which UEs gain from additional resources. While causal inference has recently been applied to RANs, existing approaches do not model the cross-layer mechanisms that connect an allocation to its outcome. In this paper, a hierarchical structural causal model (H-SCM) spanning the PHY, MAC, and network layers is proposed that separates cell-load confounding from UE-specific response heterogeneity. In particular, a counterfactual scheduling problem is formulated in which physical resource block (PRB) allocations are selected using per-UE counterfactual goodput rather than observational conditional averages. This problem is solved via a pipeline combining constrained causal discovery, structural-equation fitting, and abduction-action-prediction. Simulations demonstrate that naive observational estimation overstates the full-PRB response by 73.3%, whereas adjustment for cell-load confounding reduces the relative error to 9.8%. Held-out interventions are predicted with a coefficient of determination of 0.988. Counterfactual scheduling achieves a mean relative loss in total cell goodput below 0.5% against the ground-truth optimum, compared with 2.0-2.9% for a neural-network baseline.
• Abstract（参考訳）: LAN(Radio Access Network)におけるデータ駆動制御は、制御アクションとキーパフォーマンスインジケータ(KPI)の関係を利用して、ネットワークテレメトリから学習したリソース割り当てを選択する。 共有無線環境は、スケジューラの判断と結果のパフォーマンスの両方に影響を与えるため、コンファウンディングとして知られるバイアスは、アロケーションの効果を誇張し、利益を得られないユーザ機器(UE)へのリソースのミスダイレクトを行う。 さらに、個々のUEは同じ決定に不均一に応答するため、補正された平均効果でさえ、UEが追加のリソースから得られるものを特定しない。 最近、因果推論がRANに適用されているが、既存のアプローチでは、アロケーションとその結果に接続する層間メカニズムをモデル化していない。 本稿では,PHY,MAC,ネットワーク層にまたがる階層構造因果モデル(H-SCM)を提案する。 特に、物理資源ブロック(PRB)割り当てを観測条件平均ではなく、UE単位の反現実的出力を用いて選択する反現実的スケジューリング問題を定式化する。 この問題は、制約付き因果発見、構造方程式のフィッティング、およびアブダクション-アクション-予測を組み合わせたパイプラインによって解決される。 シミュレーションでは、完全なPRB応答を73.3%上回っているのに対して、細胞負荷の調整は相対誤差を9.8%削減している。 Held-out 干渉は 0.988 の係数で予測される。 対実的スケジューリングは、ニューラルネットワークのベースラインで2.0-2.9%と比べ、0.5%未満の細胞収率で地上の最適値に対して平均的な相対的な損失を達成している。

関連論文リスト

• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• A Machine Learning Surrogate for Component Criticality Ranking in Interdependent Power-Communication Networks [0.09821874476902966]
  サイバー物理電力システムは、電力と通信インフラ間の密接な相互依存に起因するカスケード障害に対して脆弱である。 本稿では,漏洩のない構造特徴から同時重大度を予測する機械学習サロゲートを開発した。
  論文  参考訳（メタデータ） (2026-07-09T20:22:14Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Causal Model-Based Reinforcement Learning for Sample-Efficient IoT Channel Access [39.76683291751265]
  メディアアクセス制御(MAC)などの無線利用事例に対するマルチエージェント強化学習(MARL)は、そのサンプル非効率によって妨げられる。 本稿では、因果学習からツールを活用することで、因果モデルに基づく新しいMARLフレームワークを開発する。 提案手法は, モデルフリーベースラインに比べて環境相互作用を58%削減し, 収束を高速化する。
  論文  参考訳（メタデータ） (2025-11-13T13:26:33Z)
• The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
  大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。 本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
  論文  参考訳（メタデータ） (2025-05-14T08:18:55Z)
• Stable Heterogeneous Treatment Effect Estimation across Out-of-Distribution Populations [27.163528362979594]
  不均一治療効果(HTE)の推定は、個人またはグループ間の治療効果の変化を理解するために不可欠である。 既存のHTE推定手法の多くは、処理単位と制御単位間の共著者の不均衡分布によって引き起こされる選択バイアスに対処することに焦点を当てている。 人口分布を連続的に変化させる現実世界のアプリケーションでは、分布外人口をまたいだ安定したHTE推定が緊急に必要である。
  論文  参考訳（メタデータ） (2024-07-03T13:03:51Z)
• Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
  本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。 目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。 提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
  論文  参考訳（メタデータ） (2023-09-23T06:35:44Z)
• Compressed Regression over Adaptive Networks [58.79251288443156]
  分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。 エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
  論文  参考訳（メタデータ） (2023-04-07T13:41:08Z)
• Decorrelated Clustering with Data Selection Bias [55.91842043124102]
  本稿では,データ選択バイアスを伴うクラスタリングのためのデコリレーション正規化K-Meansアルゴリズム(DCKM)を提案する。 DCKMアルゴリズムは,選択バイアスによって生じる予期せぬ特徴相関を除去する必要があることを示す。
  論文  参考訳（メタデータ） (2020-06-29T08:55:50Z)

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。