論文の概要: From Reactive to Agentic Resilience: Multi-Timescale AI-RAN Orchestration Under Signaling Storms

• arxiv url: http://arxiv.org/abs/2611.03406v1
• Date: Mon, 02 Nov 2026 16:34:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 04:46:48.356358
• Title: From Reactive to Agentic Resilience: Multi-Timescale AI-RAN Orchestration Under Signaling Storms
• Title（参考訳）: リアクティブからエージェントレジリエンスへ:信号嵐下でのマルチタイムスケールAI-RANオーケストレーション
• Abstract要約: 次世代のオープン無線アクセスネットワーク(Open RAN)とAI-RANのデプロイメントにより、RANはコンピューティング対応のプラットフォームになる。 この環境でのレジリエンスは、予想、吸収、適応、回復、進化にまたがるライフサイクルと見なされる。 本稿ではエージェントAIが,このライフサイクルを調整するオーケストレーション層を提供する,と論じる。
• 参考スコア（独自算出の注目度）: 22.396337289623176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next-generation open radio access network (Open RAN) and AI-RAN deployments turn the RAN into a disaggregated, compute-aware platform whose service continuity depends on many control loops acting at different timescales. Resilience in this setting is best seen as a lifecycle spanning anticipation, absorption, adaptation, recovery, and evolution. Yet, existing mechanisms remain stage-specific and are rarely coordinated across the control hierarchy. This paper argues that agentic AI offers an orchestration layer that coordinates this lifecycle, turning operator intent into coordinated action while keeping slow language-model reasoning off the fast control path. Using mass-attachment signaling storms as a running study, we build a discrete-event Open RAN attach simulator that captures retry amplification, shared-compute contention, and non-instantaneous provisioning, and we propose a three-tier framework in which an orchestrator at the service management and orchestration layer sets a standing policy, a per-site non-real-time agent judges storms and anticipates scheduled crowds, and a deterministic near-real-time loop enforces every decision. Across experiments, the agentic controller approaches the resilience of a fully provisioned pool of servers at a quarter of its capacity by reading a scheduled event from a calendar and provisioning ahead of it. No reactive weight setting recovers this once the surge arrives. Free-text operator intents ground into control directives at 94% exact match on previously unseen intents, and a single instruction reshapes live behavior end to end. We also quantify the latency, cost, and contention limits that bound it. The supplementary material provides analytical proof of the derived Theorem on anticipation horizon, as well as the subsequent Corollary results on reactive provisioning limits.
• Abstract（参考訳）: 次世代のオープン無線アクセスネットワーク(Open RAN)とAI-RANのデプロイメントは、RANを異なる時間スケールで動作する多くの制御ループに依存する非集約型コンピューティング対応プラットフォームに変える。 この環境でのレジリエンスは、予想、吸収、適応、回復、進化にまたがるライフサイクルと見なされる。 しかし、既存のメカニズムはステージ固有のままであり、制御階層全体で調整されることはめったにない。 本稿ではエージェントAIが,このライフサイクルを協調するオーケストレーション層を提供し,演算子の意図を協調動作に変換すると同時に,言語モデルによる遅い推論を高速制御経路から切り離す。 大規模到達型シグナリング・ストームを動作試験として使用し,再試行増幅,共有コンパクション,非即時プロビジョニングをキャプチャする離散イベント型Open RANアタッチシミュレータを構築し,サービス管理・オーケストレーションレイヤのオーケストレータが定常ポリシを設定し,サイトごとの非リアルタイムエージェントが嵐を判断し,スケジュールされた群衆を予測し,決定論的に近い準リアルタイムループがすべての決定を強制する3層フレームワークを提案する。 実験全体を通して、エージェントコントローラは、スケジュールされたイベントをカレンダーから読み出し、その前にプロビジョニングすることで、完全にプロビジョニングされたサーバプールのキャパシティの4分の1にレジリエンスにアプローチする。 反応量設定がなければ、サージが到着すると回復する。 フリーテキストオペレーターは、これまで見つからなかったインテントと正確に一致した94%のディレクティブをコントロールし、単一のインストラクションがライブ動作を終末に再設定する。 また、結合するレイテンシ、コスト、競合制限の定量化も行います。 補足材料は、導出した定理を予測地平線上で解析的に証明し、その後に反応的な供給限界に関するロール結果を与える。

関連論文リスト

• When Prediction Shapes the Future: A BlueSky Agenda for Reflexive Time Series Analysis [58.89511371796593]
  時系列モデルは、予測が将来の観測を変える介入を引き起こす運用システムにますますデプロイされている。 このようなAI形式の軌道は、即時のパフォーマンス監視をサポートするが、一度受動的データとして再利用されると曖昧になる。 我々は、分析対象を介入非依存のシーケンスから予測-行動-観測ループにシフトさせる反射的時系列分析の課題を提唱する。
  論文  参考訳（メタデータ） (2026-11-02T04:30:54Z)
• Self-Repairing Recurrent Ensembles for Real-Time Recovery from Distribution Shift [11.755981321328475]
  専門家が修正ラベルを供給できない場合、政策は崩壊する可能性がある。 本稿では,このような変化から政策を回復させる手法を提案する。
  論文  参考訳（メタデータ） (2026-10-02T12:58:36Z)
• MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
  MeshHealは、完全に分散化された自己修復フレームワークである。 能力にマッチしたピアレビューを2つのタイムスケールに分けている。 1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
  論文  参考訳（メタデータ） (2026-09-24T04:29:37Z)
• TempAct: Advancing Temporal Plausibility in Autoregressive Video Generation via Planner-Executor RL [72.7712729541565]
  自己回帰(AR)ビデオ拡散モデルにより、ビデオチャンクをキャッシュされたビジュアルコンテキストでチャンクで合成することで、低レイテンシなストリーミング生成を可能にする。 1つのグローバルプロンプトは、どのサブイベントを各チャンクで実現すべきかを指定しないが、ステップワイズプロンプトにナビゲート的に切り替えると、しばしば遅延反応、ブレンドステップセマンティクス、プロンプト遷移間のエラー伝播につながる。 我々は、時間分解とステップ条件付き実行を協調的に最適化し、時間分解可能なARビデオ生成のためのプランナー-実行型強化学習フレームワークであるTempActでこれらの課題に対処する。
  論文  参考訳（メタデータ） (2026-06-26T12:19:28Z)
• FASTER: Rethinking Real-Time Flow VLAs [82.58822112377923]
  VLA(Vision-Language-Action)モデルを物理世界に展開するには、リアルタイム実行が不可欠である。 反応時間は、TTFA(Time to First Action)と実行地平線によって決定される一様分布に従っていることを示す。 即時反応のための高速動作サンプリング(FASTER)を提案し,この問題を克服する。
  論文  参考訳（メタデータ） (2026-03-19T17:51:37Z)
• Alignment in Time: Peak-Aware Orchestration for Long-Horizon Agentic Systems [2.5424331328233207]
  APEMO(Affect-aware Peak-End Modulation for Orchestration)をランタイムスケジューリング層として導入する。 APEMOは行動プロキシを通じて軌道不安定を検知し、ピークモーメントや終了といった重要な部分での修復を目標とする。 その結果,時間的制御問題としてアライメントを再構築し,長軸エージェントシステムの開発にレジリエントな工学的経路を提供する。
  論文  参考訳（メタデータ） (2026-02-20T00:16:07Z)
• High-Fidelity Network Management for Federated AI-as-a-Service: Cross-Domain Orchestration [0.12234742322758417]
  本稿では,Tail-Risk Envelopes(TRE)に基づく保証指向AI管理プレーンを提案する。 TREは、決定論的ガードレールとレート・レイテンシ・インペアメントモデルを組み合わせた、ドメインごとの構成可能な記述子に署名される。 テナントレベルの予約は,TRE契約下でのテール遅延の増大を防止する。
  論文  参考訳（メタデータ） (2026-02-17T00:40:04Z)
• Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
  時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。 本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。 具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。 人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2026-02-10T10:16:27Z)
• Multi-Agent Reinforcement Learning for Intraday Operating Rooms Scheduling under Uncertainty [4.5515292789901975]
  日内手術のスケジューリングは、不確実性バランスのスループット、緊急および緊急の要求、遅延、シーケンス依存のセットアップ、残業時間における多目的決定問題である。 協調マルコフゲームとして問題を定式化し、各手術室が集中訓練と分散実行の訓練を行うエージェントであるマルチエージェント強化学習フレームワークを提案する。 すべてのエージェントは、リッチなシステム状態とアクションをマッピングするPPO(Proximal Policy Optimization)を通じてトレーニングされたポリシーを共有している。
  論文  参考訳（メタデータ） (2025-12-04T15:47:08Z)

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。