論文の概要: Context Graph: Explainable Multi-Agent Decision Chains in AI-RAN
- arxiv url: http://arxiv.org/abs/2611.16879v1
- Date: Thu, 12 Nov 2026 14:43:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.488915
- Title: Context Graph: Explainable Multi-Agent Decision Chains in AI-RAN
- Title(参考訳): Context Graph: AI-RANにおける説明可能なマルチエージェント決定チェーン
- Abstract要約: AI-RANは、複数の自律エージェント、すなわち共有無線リソース上で動作するxAppsとrAppsにネットワーク制御を分散する。
既存の説明可能性ツールは、単一モデル機能の属性やリニアイベントロギングに重点を置いている。
我々は、ポリシー、測定、決定、アラートをクエリ可能な説明層にまとめる異種指向グラフであるContext Graphを提案する。
- 参考スコア(独自算出の注目度): 27.00470395462213
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-RAN distributes network control across multiple autonomous agents, namely xApps and rApps operating over shared radio resources. When an alert or degradation appears, operators currently lack a structured way to trace which decision caused it, what context triggered that decision, and how other agents interacted. Existing explainability tools focus on single-model feature attribution or linear event logging, neither of which captures cross-agent decision chains. We propose the Context Graph, a heterogeneous directed graph that organizes policies, measurements, decisions, and alerts into a queryable explanation layer. Its foundational primitive is the Decision-Event node acting as a causal junction, where incoming edges capture triggering context and outgoing edges track downstream consequences that are progressively upgraded through counterfactual verification. Instantiated over existing E2, A1, and O1 data flows, our proof-of-concept demonstrates that compliance and diagnosis queries are resolved at sub-millisecond latency over graphs of tens of thousands of nodes, while reliably distinguishing true causal impacts from spurious correlations.
- Abstract(参考訳): AI-RANは、複数の自律エージェント、すなわち共有無線リソース上で動作するxAppsとrAppsにネットワーク制御を分散する。
警告や劣化が現れると、オペレータは現在、どの決定が原因か、どのようなコンテキストでその決定が引き起こされ、他のエージェントがどのように相互作用したかを追跡するための構造化された方法がありません。
既存の説明可能性ツールは、単一モデル機能の属性やリニアイベントロギングに重点を置いている。
我々は、ポリシー、測定、決定、アラートをクエリ可能な説明層にまとめる異種指向グラフであるContext Graphを提案する。
基本的なプリミティブはDecision-Eventノードが因果接続として機能し、入ってくるエッジがコンテキストをトリガーし、出力するエッジが下流の結果を追跡する。
既存のE2, A1, O1データフローに基づいて, 概念実証により, 数万ノードのグラフ上での1ミリ秒以下のレイテンシで, コンプライアンスと診断クエリが解決され, 真の因果的影響と素因果的相関を確実に識別できることが証明された。
関連論文リスト
- CyTReX: Explainable AI-Based Cybersecurity Threat Reasoning Framework for DER Networks [0.0]
本稿では,分散エネルギー資源(DER)セキュリティのためのCyTreX(CyTreX)を用いたサイバーセキュリティの脅威推論について述べる。
CyTReXは、ネットワークレベルの異常アラートを、セキュリティオペレーションセンター(SOC)のトリアージと調査をサポートするように設計された、ランク付けされたアナリスト向けの脅威仮説に変換する。
論文 参考訳(メタデータ) (2026-10-03T04:39:43Z) - Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。
ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
論文 参考訳(メタデータ) (2026-09-04T23:32:11Z) - Stochastic Semantic Evidence Graphs: Uncertainty Propagation and Governance for Agentic AI [0.0]
本稿では,言語ノードが自己回帰トークンサブグラフに拡張する階層型DAGを提案する。
出所証明のために、このグラフは不確実なクレーム-パス関係を保持し、鋭いフレシェ境界を伝播する。
コントロールされた実験では、5000のケースで認証違反は発生せず、クロスRAGとライブブレーブ-検索実験は、検索、プレゼンテーション、ソース、インタラクション効果を分離する。
論文 参考訳(メタデータ) (2026-09-03T22:16:23Z) - When Relationships Break: Interpreting Network Traffic Anomalies via Dependency Violations [2.406359246841227]
XIONは、良性トラフィックのみに基づいて、ネットワークフローの特徴間の関係をモデル化する手法である。
検出中は、期待される機能依存の違反によって異常が識別される。
XIONは、どの機能関係が壊れるかを特定することで、アラート後の分析をサポートする。
論文 参考訳(メタデータ) (2026-08-27T09:05:09Z) - Cognitive Graph Intelligence for Adaptive and Robust DDoS Attack Detection in Next Generation Networks [2.434167379974669]
本稿では,このタスクの認知検出エンジンとして機能するグラフベース生成適応ネットワーク(GraphGAN)を提案する。
GraphGANは、合成サンプルの対向生成を通じて不均衡に対処しながら、トラフィックフロー間の関係構造をキャプチャする。
生成器は、DDoS攻撃の分布を学習して、現実的なマイノリティサンプルを合成し、グラフ畳み込みネットワーク(GCN)ベースの識別器は、合成グラフデータとリアルを区別する。
論文 参考訳(メタデータ) (2026-08-18T04:18:31Z) - From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。
RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。
我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
論文 参考訳(メタデータ) (2026-08-17T01:40:14Z) - PROVEX: Enhancing SOC Analyst Trust with Explainable Provenance-Based IDS [1.9336815376402718]
本稿では,グラフに基づく検出を透過的にすることで,セキュリティ運用センター(SOC)の信頼ギャップを埋めるための総合的なXAIフレームワークを提案する。
我々はこのフレームワークを,最先端の時間グラフベースのIDSであるKAIROS上に実装する。
論文 参考訳(メタデータ) (2025-12-20T03:45:21Z) - Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。
ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。
4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文 参考訳(メタデータ) (2024-01-24T03:43:45Z) - Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。
RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。
6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
論文 参考訳(メタデータ) (2023-11-02T12:47:49Z) - A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。
既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。
我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
論文 参考訳(メタデータ) (2021-09-20T13:40:21Z)
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。