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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».