A Self-Calibrating Agentic AI Framework for Autonomous Edge Resource Allocation

📄 arXiv: 2607.22400v1 📥 PDF

作者: Fin Gentzen, Marla Grunewald, Iulisloi Zacarias, Mounir Bensalem, Admela Jukan

分类: cs.NI, cs.AI

发布日期: 2026-07-24

备注: This work has been submitted to the IEEE Transactions on Network and Service Management for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible

💡 一句话要点

提出自校准代理AI框架以解决自主边缘资源分配问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 自主代理AI 边缘计算 资源分配 自校准机制 ARIMA预测 零知识工作负载 动态系统 操作可靠性

📋 核心要点

  1. 现有的代理AI系统在开放环境中缺乏可靠的真实值，导致操作漂移和可靠性问题。
  2. 本文提出了一种自校准机制，利用ARIMA预测器动态近似真实值，增强LLM系统的自主完整性。
  3. 实验结果显示，该框架在零知识工作负载的资源使用预测中，准确性提高91.7%，预测速度提升71.7%。

📝 摘要（中文）

大型语言模型（LLMs）正逐渐作为自主代理被部署，从静态对话界面转变为能够进行复杂推理、工具执行和决策的动态系统。然而，这些代理AI系统的操作可靠性受到开放环境中缺乏可靠真实值和操作漂移风险的挑战。为了解决这一问题，本文提出并实验评估了一种代理AI框架，旨在增强LLM驱动系统的自主完整性。我们设计了一种自校准机制，通过引入ARIMA预测器来动态近似真实值，从而减轻漂移，且无需持续的人类监督。实验结果表明，该框架在边缘计算网络中成功对零知识工作负载的资源使用进行了建模，资源使用预测的准确性比基线LLM代理提高了91.7%，预测速度提高了71.7%。

🔬 方法详解

问题定义：本文旨在解决在开放环境中，代理AI系统因缺乏可靠真实值而导致的操作漂移和可靠性不足的问题。现有方法通常依赖于静态数据，无法适应动态变化的环境。

核心思路：论文提出了一种自校准机制，通过引入ARIMA预测器，动态地近似真实值，从而减轻操作漂移，且不需要持续的人类监督。这种设计使得系统能够在复杂环境中保持高效和准确。

技术框架：整体架构包括数据采集模块、ARIMA预测模块和自校准反馈模块。数据采集模块负责收集实时数据，ARIMA预测模块进行资源使用预测，自校准反馈模块则根据预测结果调整模型参数，确保系统的准确性和稳定性。

关键创新：最重要的技术创新在于自校准机制的引入，利用ARIMA算法动态生成真实值，与传统方法相比，显著提高了系统的适应性和可靠性。

关键设计：在参数设置上，ARIMA模型的阶数和季节性参数经过优化，以适应边缘计算环境的特性。同时，损失函数设计为结合预测误差和资源使用效率，确保模型在准确性和效率之间的平衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，提出的自校准代理框架在零知识工作负载的资源使用预测中，准确性比基线LLM代理提高了91.7%，预测速度提升71.7%。此外，使用ARIMA跳跃算法生成真实值的速度比标准ARIMA算法快52%，同时保持相同的准确性。

🎯 应用场景

该研究的潜在应用领域包括边缘计算、物联网和自主系统等。通过提高资源使用预测的准确性和速度，该框架可以为分布式基础设施中的自主AI部署提供坚实基础，推动智能决策和资源优化的实现，具有重要的实际价值和未来影响。

📄 摘要（原文）

Large Language Models (LLMs) are increasingly deployed as autonomous agents, transitioning from static conversational interfaces to dynamic systems capable of complex reasoning, tool execution, and decision-making. However, the operational reliability of these agentic AI systems is fundamentally challenged by the absence of reliable ground truth in open-ended environments and the risk of increasing operational drift over time. To address this challenge, we propose and experimentally evaluate an agentic AI framework, designed to enforce autonomous integrity within LLM-driven systems. We design a self-calibration mechanism that mitigates drift and dynamically approximates ground truth by incorporating an ARIMA forecaster, without requiring continuous human oversight. To demonstrate the effectiveness and reliability of our methodology, we apply it to the complex domain of profiling the resource usage of zero-knowledge workloads in edge computing networks. Experimental results show that the proposed self-calibrating agentic framework successfully profiles the zero-knowledge workloads, achieving a higher accuracy than baseline LLM agents by 91.7% for resource usage prediction and improving the prediction speed by 71.7% compared to pure profiling, establishing a robust foundation for deploying autonomous AI in decentralized infrastructures. Furthermore, the ground truth generation using the proposed ARIMA leaping algorithm is 52% faster than a standard ARIMA forecasting algorithm, while achieving the same accuracy.