Unlocking the Path Towards AI-Native Networks with Optimized Lightweight Large Language Models
Notice bibliographique
Résumé
In the rapidly advancing era of Artificial Intelligence (AI), Large Language Models (LLMs) have emerged as a pivotal force, revolutionizing the automated creation of diverse content tailored to user preferences and intents. At the same time, Machine Learning (ML), particularly Deep Learning (DL), has achieved state-of-the-art (SoTA) performance in optimization and inference tasks across various domains, including telecommunications. However, the division of technological domains poses challenges to the integration of powerful AI/ML capabilities towards realizing the vision of “AI-native” networks, such as future 6G networks, aiming to offer ubiquitous intelligence across their infrastructure and service planes, seamlessly adapting and evolving to support new application classes. The paper proposes a novel out-of-the-box framework, TimesLM, for automated time series analytics leveraging Large Language Models (LLMs). It addresses the challenge of developing general-purpose solutions by utilizing lightweight LLMs as forecasters and optimizers. TimesLM offers zero-shot and few-shot inference capabilities, enabling confident uncertainty navigation for decision-making in AI-Native networks. Its architecture integrates global optimization with lightweight LLMs, followed by input enrichment and local prompt optimization. Evaluation results on diverse real-world datasets demonstrate improved accuracy and reduced latency, making TimesLM highly competitive against SoTA approaches, while reducing operational costs and carbon-footprint due to its lightweight LLMs. A limitations analysis is also presented. The proposed framework stands as a promising and sustainable step towards realizing the envisioned capabilities of AI-Native networks through efficient and effective time series analytics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».