論文の概要: BlackBoxToBlueprint: Extracting Interpretable Logic from Legacy Systems using Reinforcement Learning and Counterfactual Analysis

• arxiv url: http://arxiv.org/abs/2507.00180v1
• Date: Mon, 30 Jun 2025 18:36:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:58.55127
• Title: BlackBoxToBlueprint: Extracting Interpretable Logic from Legacy Systems using Reinforcement Learning and Counterfactual Analysis
• Title（参考訳）: BlackBoxToBlueprint:強化学習と対実解析を用いたレガシーシステムからの解釈論理の抽出
• Authors: Vidhi Rathore,
• Abstract要約: 本稿では,ブラックボックスとして扱われるレガシーシステムから,解釈可能な決定論理を自動的に抽出する新しいパイプラインを提案する。 このアプローチでは、Reinforcement Learning (RL)エージェントを使用して、入力空間を探索し、システムの出力に意味のある変化を引き起こすアクションに報酬を与えることで、重要な決定境界を識別する。 決定木はこれらのクラスタ上でトレーニングされ、識別された境界付近でシステムの決定ロジックを近似する人間可読なルールを抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modernizing legacy software systems is a critical but challenging task, often hampered by a lack of documentation and understanding of the original system's intricate decision logic. Traditional approaches like behavioral cloning merely replicate input-output behavior without capturing the underlying intent. This paper proposes a novel pipeline to automatically extract interpretable decision logic from legacy systems treated as black boxes. The approach uses a Reinforcement Learning (RL) agent to explore the input space and identify critical decision boundaries by rewarding actions that cause meaningful changes in the system's output. These counterfactual state transitions, where the output changes, are collected and clustered using K-Means. Decision trees are then trained on these clusters to extract human-readable rules that approximate the system's decision logic near the identified boundaries. I demonstrated the pipeline's effectiveness on three dummy legacy systems with varying complexity, including threshold-based, combined-conditional, and non-linear range logic. Results show that the RL agent successfully focuses exploration on relevant boundary regions, and the extracted rules accurately reflect the core logic of the underlying dummy systems, providing a promising foundation for generating specifications and test cases during legacy migration.
• Abstract（参考訳）: レガシーソフトウェアシステムの近代化は批判的だが難しい課題であり、しばしばドキュメントの欠如と元のシステムの複雑な決定ロジックの理解によって妨げられる。 従来の行動クローンのようなアプローチは、インプット・アウトプットの振る舞いを、根底にある意図を捉えずに複製するだけであった。 本稿では,ブラックボックスとして扱われるレガシーシステムから,解釈可能な決定論理を自動的に抽出する新しいパイプラインを提案する。 このアプローチでは、Reinforcement Learning (RL)エージェントを使用して、入力空間を探索し、システムの出力に意味のある変化を引き起こすアクションに報酬を与えることで、重要な決定境界を識別する。 出力が変化するこれらの反ファクト状態遷移は、K-Meansを使用して収集され、クラスタ化される。 決定木はこれらのクラスタ上でトレーニングされ、識別された境界付近でシステムの決定ロジックを近似する人間可読なルールを抽出する。 このパイプラインの有効性を,しきい値ベース,複合条件論理,非線形範囲論理など,複雑度の異なる3つのダミーレガシシステムで実証した。 その結果、RLエージェントは、関連する境界領域の探索に成功し、抽出されたルールは、基礎となるダミーシステムのコアロジックを正確に反映し、レガシマイグレーション中に仕様とテストケースを生成するための有望な基盤を提供する。

関連論文リスト

• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
  LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。 私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
  論文  参考訳（メタデータ） (2023-08-24T06:50:07Z)
• A Classification of Feedback Loops and Their Relation to Biases in Automated Decision-Making Systems [0.0]
  MLに基づく意思決定パイプラインにおけるフィードバックループのタイプについて検討する。 フィードバックループの存在は、MLバイアスを永続的に、強化し、あるいは軽減することができる。
  論文  参考訳（メタデータ） (2023-05-10T11:15:22Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Formal Verification of Unknown Dynamical Systems via Gaussian Process Regression [11.729744197698718]
  安全クリティカルなシナリオにおける自律システムの活用には、不確実性の存在下での行動を検証する必要がある。 本研究では,非モデル化された力学と雑音測定を用いた離散時間力学システムの検証フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-12-31T05:10:05Z)
• Logical blocks for fault-tolerant topological quantum computation [55.41644538483948]
  本稿では,プラットフォームに依存しない論理ゲート定義の必要性から,普遍的なフォールトトレラント論理の枠組みを提案する。 資源オーバーヘッドを改善するユニバーサル論理の新しいスキームについて検討する。 境界のない計算に好適な論理誤差率を動機として,新しい計算手法を提案する。
  論文  参考訳（メタデータ） (2021-12-22T19:00:03Z)
• A new interpretable unsupervised anomaly detection method based on residual explanation [47.187609203210705]
  本稿では,大規模システムにおけるAEベースのADの制限に対処する新しい解釈可能性手法であるRXPを提案する。 実装の単純さ、計算コストの低さ、決定論的振る舞いが特徴である。 実鉄道路線のデータを用いた実験において,提案手法はSHAPよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-14T15:35:45Z)
• Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
  状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。 そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。 本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
  論文  参考訳（メタデータ） (2020-06-18T04:54:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。