日次キュレーション 2026-7-14

本論文は、通信ネットワークの故障診断を自動化するマルチエージェントシステム(MAS)を提案。LLMが複数の専門化されたツールを協調し、障害検出後にオーケストレータ、ソリューションプランナー、エグゼキューター、データレトリーバー、根本原因分析器といったエージェントを動的に活性化。キー要素であるソリューションプランナーは、内部ドキュメントに基づいて修復計画を生成するために微調整された小規模言語モデル(SLM)を採用。実験結果は、ラジオアクセスネットワーク(RAN)とコアネットワーク両域で故障診断自動化の加速を実証。

通信ネットワークの複雑化に対応するため、LLMが複数の専門化されたツールを調整するマルチエージェントシステムを開発。障害検出後、オーケストレータやソリューションプランナーなど複数のエージェントが自動的に診断と修復計画を実行。特に、微調整された小規模言語モデルが内部ドキュメントから修復計画を生成。実験では、RANおよびコアネットワークでの自動化の加速が確認。

通信ネットワークの故障対応を自動化するマルチエージェントシステムを提案。複数のエージェントが大規模言語モデルの指示下で診断と修復計画を実行。微調整された小規模言語モデルが修復計画生成を担当。

本論文は、大規模言語モデル（LLM）のファインチューニングに要する膨大なメモリと計算資源の問題に対処する手法を提案。プルーニング用に開発されたサリエンシシグナルの再利用を検討し、2つの方法を導入：（1）Superは、Wanda形式の活性化重み付き大きさスコアで選定した小規模なトレーニング可能なパラメータセットを固定；（2）Supraは、このスパース更新とLoRAを組み合わせたハイブリッドアダプタで、予算配分ルールを通じてパラメータ数を制御。Math17Kデータセットを用いたLlama-3.2-1BおよびMeta-Llama-3-8Bでの実験で、SuperおよびSupraの最良バリアントが最高の精度を達成。

大規模言語モデルのコスト効率的なファインチューニング手法を提案。プルーニング技術の信号を再利用して、トレーニング対象となるパラメータを選定。Super（スパースPEFT）とSupra（LoRAとの併用型）の2つの方法を導入し、Llama モデルでの実験で最高精度を達成。

大規模言語モデルを効率的にカスタマイズする新手法を提案。プルーニングのシグナルを活用して、より少ないパラメータで高精度を実現。