統合地上・非地上（TN/NTN）6Gネットワークでは、自然言語で表現されたサービス意図に情報不足、曖昧さ、矛盾が含まれることが多い。制約なしの大規模言語モデル（LLM）でネットワーク設定を直接生成すると、信頼性の高いネットワーク向けオーケストレーションには不十分である。Wajdi HammamiらによるarXivプレプリント（arXiv:2610.33007v1、cs.CL、2026年10月7日投稿）は、この課題に対し知識誘導型LLMフレームワークを提案している。
本フレームワークの中核は二つある。第一に、文法制約付きの意味解析により、モデル出力が事前定義された構造規則に従うことを保証し、自由生成による形式・意味の逸脱を抑える。第二に、知識グラフ（KG）駆動の明確化ループである。意図が不完全、曖昧、または相互に矛盾する場合、知識グラフのドメイン知識を利用して問題を特定し、ユーザーに的を絞った質問を投げかけて意図を補完・修正する。これにより、明示的知識とLLMの生成能力を組み合わせ、意図処理の説明可能性と制御性を高めている。
評価は200サンプルの意図データセットで実施され、4つの代表的なサービス分類をカバーしている。結果として、分類精度89%、ポリシー有効性95%を達成し、1リクエストあたりの明確化ターンは平均0.66回であった。これは、多くの場合に一度の処理で利用可能なサービスプロファイルを生成できることを示す。Pure-LLMベースラインと比較して、ポリシー有効性と矛盾検出の両面で改善が見られ、しかも必要な明確化ターンは少ない。
著者らは、これらの結果が統合TN/NTN 6Gオーケストレーションにおける意図駆動型処理において、明示的な知識誘導推論の価値を示すものと結論づけている。本研究は、構造的制約と知識グラフによるフィードバックを通じて、純粋な生成モデルの一貫性・信頼性の不足を補い、通信ネットワーク自動化におけるLLMの信頼性の高い展開への道筋を示すものである。