論文の概要: RAGAM-AI: A Hybrid Reinforcement Learning based Agentic approach powered by Generative AI for Edge Resource Management
- arxiv url: http://arxiv.org/abs/2611.06554v1
- Date: Wed, 04 Nov 2026 14:18:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.133358
- Title: RAGAM-AI: A Hybrid Reinforcement Learning based Agentic approach powered by Generative AI for Edge Resource Management
- Title（参考訳）: RAGAM-AI:エッジリソース管理のための生成AIを活用したハイブリッド強化学習に基づくエージェントアプローチ
- Abstract要約: 本稿では,RLアルゴリズムと生成AI(Gen-AI)の機能を組み合わせたハイブリッドフレームワークであるRAGAM-AIを提案する。
大規模なパフォーマンス改善でネットワークリソースを最適化するAIAF(Scale AI as feedback)ソリューションが紹介されている。
- 参考スコア（独自算出の注目度）: 3.310253483677865
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Resource management for distributed edge networks hosting different services has been handled efficiently using Reinforcement learning (RL). Reward generalization in complex workflows is still an open issue within the RL realm. Therefore, this work proposes RAGAM-AI, a hybrid framework that combines the capabilities of RL algorithms and Generative-AI (Gen-AI) for powering an Agentic AI workflow that optimizes resource allocation at the Multi-access Edge Computing (MEC) units. This framework further resolves the reward generalization issue by utilizing Large Language Model (LLM) for feedback. A Multi- Agent Soft-Actor Critic (MASAC) using MathΣtral as a reward oracle is implemented for managing resource allocations at the MEC. RAGAM-AI interprets system state information and evaluates multi-objective trade-offs guiding the resource orchestration loop over distributed edge server agents. The complexity of the framework is further brought down by incorporating surrogate reward model. The overall performance is evaluated against the single agent SAC, REINFORCE and random policies for benchmarking. On using RAGAM-AI, lower allocation deviations for CPU, memory and bandwidth resources are reported while minimizing the latency and data rate costs. A scalable AI as a feedback (AIAF) solution optimizing network resources with significant performance improvement is thus presented.
- Abstract（参考訳）: 異なるサービスをホストする分散エッジネットワークのリソース管理は、強化学習(RL)を用いて効率的に処理されている。
複雑なワークフローにおける逆一般化は、RL領域ではまだ未解決の問題である。
そこで本研究では,RLアルゴリズムとGenerative-AI(Gen-AI)を組み合わせたハイブリッドフレームワークであるRAGAM-AIを提案する。
このフレームワークは、フィードバックにLarge Language Model(LLM)を利用することで、報奨一般化問題をさらに解決する。
報奨託書としてMathΣtralを用いたマルチエージェントソフトアクター批評家(MASAC)をMECで資源割り当てを管理するために実装する。
RAGAM-AIはシステム状態情報を解釈し、分散エッジサーバエージェント上のリソースオーケストレーションループを導く多目的トレードオフを評価する。
フレームワークの複雑さは、サロゲート報酬モデルを導入することでさらに低下します。
全体的な性能は、単一のエージェントSAC、REINFORCE、およびベンチマークのためのランダムポリシーに対して評価される。
RAGAM-AIを使用すると、レイテンシとデータレートのコストを最小限に抑えつつ、CPU、メモリ、帯域幅リソースの割り当て偏差の低減が報告される。
これにより、ネットワークリソースを大幅なパフォーマンス改善で最適化する、AIAFソリューションとしてのスケーラブルAIが紹介される。
関連論文リスト
- Multi-view Semantic-aware Resource Allocation for Edge AI [9.105618742398125]
本稿では,エッジAIにおけるセマンティクスを考慮したリソース割り当てのための新しいエンドツーエンドフレームワークを提案する。
OIB(Opportunistic Information Bottleneck)を複数ビュー設定に拡張し、相補的なソースビューを変動近似やネットワーク再学習なしに融合する。
論文 参考訳（メタデータ） (2026-10-25T19:48:33Z) - ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - Task Specific Sharpness Aware O-RAN Resource Management using Multi Agent Reinforcement Learning [8.26664397566735]
次世代ネットワークは、動的リソース管理を可能にするためにOpen Radio Access Network (O-RAN)アーキテクチャを利用する。
深層強化学習モデルは、動的環境における堅牢性と一般化性に苦しむことが多い。
本稿では,分散マルチエージェントRL(MARL)フレームワークにおいて,シャープネス・アウェア最小化(SAM)を用いたソフトアクタ批判(SAC)アルゴリズムの新たな資源管理手法を提案する。
論文 参考訳（メタデータ） (2025-11-19T00:55:24Z) - Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services [55.0337199834612]
Generative AI(GenAI)は、カスタマイズされたパーソナライズされたAI生成コンテンツ(AIGC)サービスを可能にするトランスフォーメーション技術として登場した。
これらのサービスは数十億のパラメータを持つGenAIモデルの実行を必要とし、リソース制限の無線エッジに重大な障害を生じさせる。
我々は、AIGC品質とレイテンシメトリクスのトレードオフをバランスさせるために、AIGCサービスのジョイントモデルキャッシングとリソースアロケーションの定式化を導入する。
論文 参考訳（メタデータ） (2024-11-03T07:01:13Z) - Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。
最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-02T01:36:13Z) - Generative AI for O-RAN Slicing: A Semi-Supervised Approach with VAE and Contrastive Learning [5.1435595246496595]
本稿では,O-RANにおける資源割り当てとネットワークスライシングを最適化する,新しい生成型AI(GAI)による半教師付き学習アーキテクチャを提案する。
本稿では,eMBB と URLLC サービスの質を高めるために,ユーザ機器のスループット(UE)を最大化し,物理リソースブロック(PRB)を割り当てる。
論文 参考訳（メタデータ） (2024-01-16T22:23:27Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - A Bayesian Framework of Deep Reinforcement Learning for Joint O-RAN/MEC
Orchestration [12.914011030970814]
マルチアクセスエッジコンピューティング(MEC)は、コモディティプラットフォーム上でOpen Radio Access Network(O-RAN)と一緒に実装することで、低コストなデプロイメントを実現する。
本稿では,ベイジアンディープ強化学習(RL)を用いたO-RAN/MEC協調オーケストレーションを提案する。
論文 参考訳（メタデータ） (2023-12-26T18:04:49Z) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳（メタデータ） (2021-06-30T16:49:07Z) - Resource allocation in dynamic multiagent systems [0.0]
MG-RAOアルゴリズムは,マルチエージェントシステムにおける資源配分問題を解決するために開発された。
シミュレーション環境における固定リソース割り当てに対する23～28%の改善を示す。
また、揮発性システムでは、mg-raoアルゴリズムを用いて、子エージェントがすべてのエージェントのリソース割り当てをモデル化するように構成されているため、複数のエージェント群をモデル化するときのパフォーマンスは46.5%である。
論文 参考訳（メタデータ） (2021-02-16T17:56:23Z)
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。