چکیده
تحلیل علت ریشهای (RCA) یک وظیفهٔ حیاتی در عملیات شبکههای مخابراتی است، اما شناسایی افتهای عملکردی در شبکههای مدرن ۵G و شبکههای نوظهور ۶G بهدلیل وابستگیهای پیچیدهٔ بینلایهای همچنان چالشبرانگیز باقی مانده است. مدلهای زبانی بزرگ (LLM) قابلیتهای امیدبخشی در استدلال و یکپارچهسازی دانش ارائه میدهند، اما بهکارگیری مستقیم آنها در تحلیل علت ریشهای مخابراتی اغلب به توهم، استدلال ناپایدار و همراستایی ضعیف با شواهد ساختیافتهٔ شبکه منجر میشود. این مقاله نخست سیر تحول تحلیل علت ریشهای مخابراتی را از رویکردهای مبتنی بر قانون و یادگیری ماشین (ML) تا فنون نوظهور مبتنی بر مدلهای زبانی بزرگ بررسی میکند و مروری بر پارادایمهای اخیر، از جمله استدلال ساختیافته، مستندسازی دانش تقویتشده با بازیابی، هماهنگسازی عاملمحور و استدلال قابلاعتبارسنجی، ارائه میدهد. با اتکا بر این بینشها، ما یک چارچوب استدلال ساختیافته برای تحلیل علت ریشهای مخابراتی مبتنی بر مدلهای زبانی بزرگ پیشنهاد میکنیم که استدلال تشخیصی را با شواهد مختص حوزهٔ مخابرات و دانش دامنهای همراستا میسازد. رویکرد پیشنهادی ابتدا دادههای دورسنجی ناهمگون شبکه را در قالب زمینههای استاندارد سازماندهی میکند، سپس استدلال مبتنی بر مسیر تصمیمگیری را در طول فرایند تشخیص بهکار میگیرد، و در نهایت توضیحات متکی بر شواهد را برای شناسایی قابلاعتماد عیوب تولید میکند. نتایج تجربی بر روی دو مجموعهدادهٔ تحلیل علت ریشهای ۵G، یعنی TeleLogs و TelecomTS، نشان میدهد که چارچوب پیشنهادی در مقایسه با روشهای پایه، بهطور پیوسته دقت تشخیصی و سازگاری تصمیمگیری را بهبود میبخشد. این نتایج بینمجموعهدادهای، اهمیت طراحی استدلال ساختیافته را برای سامانههای کاربردی تحلیل علت ریشهای مبتنی بر مدلهای زبانی بزرگ در شبکههای مخابراتی نسل بعد برجسته میسازد.
متن کامل
علوم کامپیوتر > هوش مصنوعی arXiv:2609.02805v1 (cs) [ارسال شده در ۲ سپتامبر ۲۰۲۶]
**عنوان:** مدلهای زبانی بزرگ (LLMs) برای تحلیل علت ریشهای در مخابرات (RCA): یک چارچوب استدلایی ساختاریافته برای تشخیص مبتنی بر شواهد
**نویسندگان:** هاو ژو، ماندر کولکارنی، هاو چن، یان ژین، چارلی (جیانژونگ) ژانگ
[مشاهده PDF مقاله با عنوان «مدلهای زبانی بزرگ (LLMs) برای تحلیل علت ریشهای در مخابرات (RCA): یک چارچوب استدلایی ساختاریافته برای تشخیص مبتنی بر شواهد»، نوشته هاو ژو و ۴ نویسنده دیگر]
[مشاهده PDF] [HTML (آزمایشی)]
**چکیده:** تحلیل علت ریشهای (RCA) یک وظیفه حیاتی در عملیات شبکههای مخابراتی است، اما تشخیص خطاهای عملکردی در شبکههای مدرن ۵G و شبکههای نوظهور ۶G همچنان چالشبرانگیز باقی مانده است به دلیل وابستگیهای پیچیده بینلایهای آنها. در حالی که مدلهای زبانی بزرگ (LLMs) قابلیتهای امیدوارکنندهای برای انجام استدلال و ادغام دانش ارائه میدهند، بهکارگیری مستقیم این مدلها در وظایف RCA مخابراتی اغلب منجر به بروز توهم، عدم پایداری در استدلال، و همراستایی ضعیف با شواهد موجود در شبکه میشود. در این مقاله، ابتدا به بررسی تحولات تحلیل علت ریشهای در حوزه مخابرات میپردازیم، از رویکردهای مبتنی بر قوانین و یادگیری ماشین (ML) گرفته تا تکنیکهای نوظهور مبتنی بر LLM، و سپس به مرور پارادایمهای اخیر میپردازیم که شامل استدلایی ساختاریافته، محدودسازی دانش تقویتشده با بازیابی، هماهنگی عاملمحور، و استدلایی قابل اعتبارسنجی میشوند. بر اساس این دیدگاهها، چارچوب استدلایی ساختاریافته پیشنهادی ما را برای RCA مخابراتی مبتنی بر LLM معرفی میکنیم که استدلای تشخیصی را با شواهد مخصوص مخابرات و دانش حوزهای همراستا میسازد. روش پیشنهادی ابتدا دادههای اندازهگیری ناهمگن شبکه را در قالب متنی سازماندهی میکند، سپس استدلای مسیر تصمیمگیری را در طول فرآیند تشخیص اعمال مینماید، و در نهایت توضیحات مبتنی بر شواهد برای شناسایی قابل اعتماد خطا تولید میکند. نتایج آزمایشی بر روی دو مجموعه داده RCA شبکه ۵G، به نامهای TeleLogs و TelecomTS، نشان میدهد که چارچوب پیشنهادی بهطور قابل توجهی دقت تشخیصی و سازگاری تصمیمگیری را نسبت به روشهای خط مبنا بهبود میبخشد. این نتایج بینمجموعهای، اهمیت طراحی استدلای ساختاریافته را برای سیستمهای RCA عملی مبتنی بر LLM در شبکههای مخابراتی نسل آینده برجسته میسازد.
**موضوعات:** هوش مصنوعی (cs.AI)
**استناد به صورت:** arXiv:2609.02805 [cs.AI] (یا arXiv:2609.02805v1 [cs.AI] برای این نسخه)
https://doi.org/10.48550/arXiv.2609.02805
[برای اطلاعات بیشتر، DOI صادر شده توسط arXiv را از طریق DataCite (در انتظار ثبت) دنبال کنید]
**تاریخچه ارسال**
از: آقای هاو ژو [مشاهده ایمیل]
[v1] چهارشنبه، ۲ سپتامبر ۲۰۲۶، ساعت ۱۶:۴۳:۲۲ UTC (۲,۹۱۱ KB)
**ابزارهای کتابشناختی**
ابزارهای کتابشناختی و استنادی
کاوشگر کتابشناختی (تغییر وضعیت کاوشگر کتابشناختی) (کاوشگر چیست؟)
مقالات مرتبط (تغییر وضعیت مقالات مرتبط) (مقالات مرتبط چیست؟)
نقشههای ادبیاتی (تغییر وضعیت نقشههای ادبیاتی) (نقشههای ادبیاتی چیست؟)
scite.ai (تغییر وضعیت استنادهای هوشمند scite) (استنادهای هوشمند چیست؟)
**کد، داده، رسانه**
کد، داده و رسانه مرتبط با این مقاله
alphaXiv (تغییر وضعیت alphaXiv) (alphaXiv چیست؟)
پیوندها به کد (تغییر وضعیت CatalyzeX، یابنده کد برای مقالات) (CatalyzeX چیست؟)
DagsHub (تغییر وضعیت DagsHub) (DagsHub چیست؟)
Goti
Pub تغییر Gotit.pub (GotitPub چیست؟) Huggingface تغییر Hugging Face (Huggingface چیست؟) ScienceCast تغییر ScienceCast (ScienceCast چیست؟) نمونهها نمونهها Replicate تغییر Replicate (Replicate چیست؟) Spaces تغییر Hugging Face Spaces (Spaces چیست؟) Spaces تغییر TXYZ.AI (TXYZ.AI چیست؟) مقالات مرتبط ابزارهای پیشنهاد و جستجو لینک به Influence Flower Influence Flower (Influence Flowers چیست؟) پیشنهادکننده اصلی تغییر CORE Recommender (CORE چیست؟) نویسنده مکان موضوع درباره arXivLabs arXivLabs: پروژههای آزمایشی با همکاران جامعه arXivLabs یک چارچوب است که به همکاران اجازه میدهد ویژگیهای جدید arXiv را مستقیماً در وبسایت ما توسعه دهند و به اشتراک بگذارند. هر افراد و سازمانهایی که با arXivLabs کار میکنند، ارزشهای ما شفافیت، جامعه، کیفیت و حریم خصوصی داده کاربران را پذرفته و پذیرش کردهاند. arXiv متعهد این ارزشها است و فقط با شرکایی کار میکند که از آنها پیروی میکنند. ایدهای برای یک پروژه دارید که برای جامعه arXiv ارزش افزوده باشد؟ بیشتر درباره arXivLabs بیامیزد. کدام نویسندگان این مقاله حامی هستند؟ | غیرفعال کردن MathJax (MathJax چیست؟)