[論文レビュー] BRAIN: Bayesian Reasoning via Active Inference for Agentic and Embodied Intelligence in Mobile Networks

Osman Tugay Başaran, Martin Maier+1 more|arXiv (Cornell University)|Feb 15, 2026

Software-Defined Networks and 5G被引用数 0

ひとこと要約

BRAINはAI-RANのクローズドループのスライシングに対して深いアクティブインフェレンスエージェントを導入し、堅牢性を向上させ、内在的な説明を提供し、再訓練なしでDRLベースラインを上回る。

ABSTRACT

Future sixth-generation (6G) mobile networks will demand artificial intelligence (AI) agents that are not only autonomous and efficient, but also capable of real-time adaptation in dynamic environments and transparent in their decisionmaking. However, prevailing agentic AI approaches in networking, exhibit significant shortcomings in this regard. Conventional deep reinforcement learning (DRL)-based agents lack explainability and often suffer from brittle adaptation, including catastrophic forgetting of past knowledge under non-stationary conditions. In this paper, we propose an alternative solution for these challenges: Bayesian reasoning via Active Inference (BRAIN) agent. BRAIN harnesses a deep generative model of the network environment and minimizes variational free energy to unify perception and action in a single closed-loop paradigm. We implement BRAIN as O-RAN eXtended application (xApp) on GPU-accelerated testbed and demonstrate its advantages over standard DRL baselines. In our experiments, BRAIN exhibits (i) robust causal reasoning for dynamic radio resource allocation, maintaining slice-specific quality of service (QoS) targets (throughput, latency, reliability) under varying traffic loads, (ii) superior adaptability with up to 28.3% higher robustness to sudden traffic shifts versus benchmarks (achieved without any retraining), and (iii) real-time interpretability of its decisions through human-interpretable belief state diagnostics.

研究の動機と目的

• 6G/6G+時代のネットワークにおける embodiment された、説明可能なAI の必要性を動機づけ、従来のDRLの非定常環境での限界を特定する。
• 生成モデルと変分自由エネルギー最小化を通じて、知覚と行動を統合する深いアクティブインフェレンスエージェントとしての BRAIN を提案する。
• BRAIN が非定常なトラフィックに連続的に適応しつつ、スライス固有の QoS 目標を維持できることを示す。
• 潜在状態に対する後方信念と、行動を正当化する期待自由エネルギー分解による内在的説明可能性を実証する。

提案手法

• 不確実性下での連続的意思決定問題としてクローズドループのRANスライシングをアクティブインフェレンス枠組みで定式化する。
• 潜在的なネットワーク状態と観測可能なパフォーマンス指標、および望ましい結果を事前分布としてリンクする深い生成モデルを定義する。
• 変分ベイズを用いて変分自由エネルギーを最小化することにより隠れたネットワーク状態を推定する。
• 期待自由エネルギーを最小化することで行動を選択し、外的嗜好と情報獲得という epistemic value のバランスを取る。
• 後方信念と自由エネルギー項を露出させ、意思決定の内在的で解釈可能な説明を可能にする。

実験結果

リサーチクエスチョン

• RQ1 動的で非定常なトラフィックの下で再訓練なしにスライス QoS 目標を維持できるか。
• RQ2 エージェントの生成モデルに説明可能性を組み込むことで、資源配分決定に関する監査可能な洞察を提供できるか。
• RQ3 非定常条件下での突然のトラフィック変動に対する BRAIN の堅牢性は、標準的な DRL ベースラインと比較してどうであるか。
• RQ4 後方信念と EFE 分解がリアルタイムの RAN スライシング決定を導く役割は何か。

主な発見

• BRAIN はダイナミックなスライシング実験において非定常条件への継続的適応を示す。
• BRAIN は動的負荷下で異質なスライス意図をより安定して維持する。
• BRAIN は後方信念と EFE 分解を介して資源配分を正当化する解釈可能な内部変数を提供する。
• BRAIN は再訓練なしで突然のトラフィック変動に対する堅牢性を最大で 28.3% 向上させる。
• 行動は内在的信念状態と自由エネルギー成分を通じて説明可能であり、監査可能な意思決定プロセスを実現する。