論文の概要: Can Agentic AI Undermine Its Own Assurance Loop? Closed-Loop Dependency Assurance for Cognitive Network Digital Twins

• arxiv url: http://arxiv.org/abs/2611.00838v1
• Date: Sat, 31 Oct 2026 11:41:33 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:10:17.165357
• Title: Can Agentic AI Undermine Its Own Assurance Loop? Closed-Loop Dependency Assurance for Cognitive Network Digital Twins
• Title（参考訳）: エージェントAIは独自の保証ループを弱めるか?認知ネットワークデジタル双生児のためのクローズドループ依存保証
• Abstract要約: 我々は,エージェント型AI対応NDTを依存性認識検証で強化する保証機構であるClosed-Loop Dependency Assurance (CLDA)を提案する。 CLDAは、依存関係に対する候補アクションを計画し、マルチステップ計画の中間状態をチェックし、決定論的メイク前修正をサポートする。
• 参考スコア（独自算出の注目度）: 1.1961510466705991
• License:
• Abstract: Agentic Artificial Intelligence (AI) and Network Digital Twins (NDTs) are increasingly combined to form Cognitive Digital Twins (CDTs) that translate operational intents into network changes and support closed-loop management. However, a network change may achieve its intended objective while disrupting the monitoring or recovery mechanisms needed for subsequent decisions. For example, a service may be rerouted while its latency-monitoring traffic continues along the original path, producing measurements that no longer reflect the service's performance. We propose Closed-Loop Dependency Assurance (CLDA), an assurance mechanism that augments agentic AI-enabled NDTs with dependency-aware validation. In our framework, an agentic AI planner generates and refines network plans, while the NDT evaluates the projected network outcomes of these plans. CLDA extends this analysis using a Loop Dependency Graph (LDG) that connects service requirements to monitoring mechanisms, forwarding paths, failure domains, and recovery prerequisites. CLDA projects candidate actions onto these dependencies, checks intermediate states of multistep plans, and supports deterministic make-before-break repairs using temporary monitoring mechanisms. Unlike the Large Language Model (LLM)-based planner, CLDA uses explicit, deterministic rules for assurance decisions and repair. We evaluate CLDA through controlled reconfigurations, a 240-trial LLM-based planning campaign, and live network execution. A separate synthetic study examines deterministic assurance scalability across network models representing up to 1,024 routers.
• Abstract（参考訳）: Agentic Artificial Intelligence(AI)とNetwork Digital Twins(NDT)は、ますます統合されて、運用意図をネットワーク変更に変換し、クローズドループ管理をサポートするCognitive Digital Twins(CDT)を形成している。 しかし、ネットワークの変更はその目的を達成すると同時に、その後の決定に必要な監視や回復メカニズムを妨害する可能性がある。 例えば、レイテンシ監視トラフィックが元のパスに沿って継続している間、サービスは再ルーティングされる可能性があるため、サービスのパフォーマンスを反映しない測定結果が生成される。 我々は,エージェント型AI対応NDTを依存性認識検証で強化する保証機構であるClosed-Loop Dependency Assurance (CLDA)を提案する。 本フレームワークでは,エージェントAIプランナがネットワークプランを生成し,改良する一方,NDTはこれらのプランの予測されたネットワーク結果を評価する。 CLDAはこの分析を、サービス要件を監視メカニズム、フォワードパス、障害ドメイン、リカバリ要件に接続するLoop Dependency Graph(LDG)を使用して拡張する。 CLDAは、これらの依存関係に対する候補アクションを計画し、マルチステップ計画の中間状態をチェックし、一時的な監視メカニズムを使用して決定論的メイク前修正をサポートする。 LLM(Large Language Model)ベースのプランナーとは異なり、CLDAは保証決定と修復のために明確な決定論的ルールを使用する。 我々は,制御された再構成,240のLCMベースの計画キャンペーン,ライブネットワーク実行を通じてCLDAを評価する。 別の合成研究では、最大1,024ルータを表すネットワークモデル間の決定論的保証スケーラビリティについて検討している。

関連論文リスト

• SecODD: Adapting the Operational Design Domain from Driving Autonomy to Autonomous Cyber Defense [7.977343297827125]
  セキュリティオペレーションセンターは、実行時に自律サイバーディフェンス(ACD)エージェントに検出、トリアージ、封じ込めを委譲し始めている。 本稿では,自律走行車規制からサイバー自律化へのオペレーショナルデザインドメインの概念の適用を目的とした,ACDの実行時ガバナンスフレームワークSecODDを提案する。
  論文  参考訳（メタデータ） (2026-10-17T15:17:08Z)
• $Z^2$-ACT: End-to-End Verifiable Agentic Intent Control for Open 6G RAN [43.15181031994434]
  本稿では,ゼロ知識監査制御とゼロ信頼検証エージェントインテントアーキテクチャを提案する。 実大規模言語モデルは、オペレータの意図をIntent Contractsに変換するために、非リアルタイムパスで使用される。 その結果、動作フィルタリングと攻撃レジリエンスを適度なレイテンシとシグナリングコストで改善したことが示唆された。
  論文  参考訳（メタデータ） (2026-08-21T12:44:03Z)
• Criticality-Based Guard Rail Validation for AI Agent Decisions in Autonomous Telecom Networks [0.0]
  Guard Rail Validation(GRV)は、実行前にAI駆動決定をインターセプトし、検証するための標準化可能なランタイムアーキテクチャである。 本稿では、アーキテクチャ、アルゴリズムプロシージャ、O-RANデプロイメントモデルを示し、通信における既知のAI/ML攻撃に対する脅威カバレッジを評価する。
  論文  参考訳（メタデータ） (2026-07-02T14:21:26Z)
• From Detection to Action: Using LLM Agents for Fault-Tolerant Control [0.21313236831585222]
  我々は,耐故障性制御のためのエージェント型大規模言語モデル(LLM)フレームワークを提案する。 故障検出出力を、植物固有の知識に基づく制約対応回復行動に変換する。 我々は,各プロセスのダイナミックスと互換性のある遅延予算内で,意味的基盤を持つエージェントが有効なリカバリ決定を導出できることを示す。
  論文  参考訳（メタデータ） (2026-06-26T12:13:58Z)
• Large Language Models for Agentic NetOps and AIOps: Architectures, Evaluation, and Safety [14.195825134031795]
  大規模言語モデルは、ネットワークオペレーション(NetOps)とITオペレーションのための人工知能(AIOps)をサポートするために、ますます使用されている。 NetOpsとAIOpsでは、このシフトがタスクの管理方法を変えています。 エージェントベースのオペレーションは、エビデンス収集からアクションの実施、パーミッション、ポリシー、チェックの追跡、必要に応じてロールバックオプションの提供に至るまで、管理されている。
  論文  参考訳（メタデータ） (2026-05-12T20:31:41Z)
• When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [68.12864562049957]
  身体ロボットシステムは、高レベルの推論をサポートするために、大規模言語モデル(LLM)ベースのエージェントにますます依存している。 エージェントはいつ、いつ、いつ行動すべきか? 本稿では,エンボディエージェントのリソース・アウェア・オーケストレーションのための階層的なフレームワークであるRARRL(Resource-Aware Reasoning via Reinforcement Learning)を提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:38:50Z)
• Agentic AI as a Network Control-Plane Intelligence Layer for Federated Learning over 6G [47.84137752186323]
  6Gネットワーク上でのフェデレーション学習を管理するための制御層としてエージェントAIを提案する。 検索、計画、コーディング、評価に焦点を当てた専門エージェントのセットは、クライアントの選択、インセンティブ構造化、スケジューリング、リソース割り当て、適応的なローカルトレーニング、コード生成を扱う。 クローズドループ評価とメモリの使用により、システムは決定を一貫して洗練することができる。
  論文  参考訳（メタデータ） (2026-03-10T03:27:33Z)
• Hiding in the AI Traffic: Abusing MCP for LLM-Powered Agentic Red Teaming [0.0]
  本稿では,モデルコンテキストプロトコル(MCP)を利用した新しいコマンド・アンド・コントロール(C2)アーキテクチャを導入し,適応型偵察エージェントを網羅的に協調する。 私たちのアーキテクチャは、システム全体のゴール指向の振る舞いを改善するだけでなく、コマンドとコントロールの振る舞いを完全に検出および防止するために使用できる主要なホストやネットワークアーティファクトを排除します。
  論文  参考訳（メタデータ） (2025-11-20T02:51:04Z)
• Agentic DDQN-Based Scheduling for Licensed and Unlicensed Band Allocation in Sidelink Networks [37.89031907489481]
  ニューラジオ(NR)サイドリンク(SL)ネットワークにおけるライセンス/ライセンスバンド割り当てのためのエージェントダブルディープQネットワーク(DDQN)スケジューラを提案する。 キャパシティを意識したQoS(Quality of Service)制約付き報酬は、静的なしきい値付けよりも目標指向のスケジューリングに適合する。
  論文  参考訳（メタデータ） (2025-09-08T14:58:12Z)
• DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents [52.92354372596197]
  大規模言語モデル(LLM)は、強力な推論と計画能力のため、エージェントシステムの中心となってきています。 この相互作用は、外部ソースからの悪意のある入力がエージェントの振る舞いを誤解させる可能性がある、インジェクション攻撃のリスクも引き起こす。 本稿では,信頼に値するエージェントシステムのための動的ルールベースの分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T05:01:09Z)

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。