論文の概要: Interpretable Early Failure Detection via Machine Learning and Trace Checking-based Monitoring

• arxiv url: http://arxiv.org/abs/2508.17786v1
• Date: Mon, 25 Aug 2025 08:30:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.693255
• Title: Interpretable Early Failure Detection via Machine Learning and Trace Checking-based Monitoring
• Title（参考訳）: 機械学習とトレースチェックに基づくモニタリングによる早期故障検出の解釈
• Authors: Andrea Brunello, Luca Geatti, Angelo Montanari, Nicola Saccomanno,
• Abstract要約: ベクトル化トレースチェックに基づく早期故障検出のためのフレームワークを開発する。 このフレームワークは、最先端の手法と比較して、主要なパフォーマンス指標を2-10%改善している。
• 参考スコア（独自算出の注目度）: 9.565145785280452
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Monitoring is a runtime verification technique that allows one to check whether an ongoing computation of a system (partial trace) satisfies a given formula. It does not need a complete model of the system, but it typically requires the construction of a deterministic automaton doubly exponential in the size of the formula (in the worst case), which limits its practicality. In this paper, we show that, when considering finite, discrete traces, monitoring of pure past (co)safety fragments of Signal Temporal Logic (STL) can be reduced to trace checking, that is, evaluation of a formula over a trace, that can be performed in time polynomial in the size of the formula and the length of the trace. By exploiting such a result, we develop a GPU-accelerated framework for interpretable early failure detection based on vectorized trace checking, that employs genetic programming to learn temporal properties from historical trace data. The framework shows a 2-10% net improvement in key performance metrics compared to the state-of-the-art methods.
• Abstract（参考訳）: モニタリングは、システムの進行中の計算(部分トレース)が所定の式を満たすかどうかを確認するための実行時検証手法である。 システムの完全なモデルを必要としないが、通常は式のサイズが2倍に指数関数的に決定論的オートマトンを構築する必要がある(最悪の場合)。 本稿では,有限個の離散トレースを考慮すると,信号時間論理(STL)の純粋過去の(共)安全フラグメントのモニタリングはトレースチェックに還元できることを示す。 このような結果を活用することで,ベクトル化トレースチェックに基づく早期故障検出のGPU高速化フレームワークを開発し,遺伝的プログラミングを用いて履歴トレースデータから時間特性を学習する。 このフレームワークは、最先端の手法と比較して、主要なパフォーマンス指標を2-10%改善している。

関連論文リスト

• Investigating task-specific prompts and sparse autoencoders for activation monitoring [0.0]
  言語モデルの内部アクティベーションは、これに役立つ追加情報をエンコードする。 最近の研究は、単純線形探索を改善するいくつかのアプローチを提案している。 我々は,これらの手法の新たな改良を開発し,検証し,比較する。
  論文  参考訳（メタデータ） (2025-04-28T21:28:17Z)
• On Interpreting the Effectiveness of Unsupervised Software Traceability with Information Theory [12.390314973658466]
  教師なしトレーサビリティ手法は、しばしばテキストデータの中にトレーサビリティパターンが存在すると仮定する。 我々は、トレーサビリティリンクの情報性や信頼性を測定する指標として、自己情報、相互エントロピー、相互情報(MI)を導入している。 平均MIは4.81ビット、損失は1.75ビット、ノイズは0.28ビットであり、教師なしトレーサビリティ技術の有効性には情報理論上の限界があることを示す。
  論文  参考訳（メタデータ） (2024-12-06T01:29:29Z)
• Extreme Value Modelling of Feature Residuals for Anomaly Detection in Dynamic Graphs [14.8066991252587]
  グラフの時間的シーケンスにおける異常の検出は、トランスポートネットワークにおける事故の検出や、コンピュータネットワークにおけるサイバー攻撃といった分野に適用することができる。 既存の異常グラフ検出方法は、高い偽陽性率や可変サイズのグラフの扱いの難しさ、非自明な時間ダイナミクスなど、複数の制限に悩まされることがある。 そこで本稿では,時間的依存を時系列解析によって時間的依存を明示的にモデル化し,残差を用いて依存を除去する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T05:00:53Z)
• Bisimulation Learning [55.859538562698496]
  我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。 提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
  論文  参考訳（メタデータ） (2024-05-24T17:11:27Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• An Entropic Relevance Measure for Stochastic Conformance Checking in Process Mining [9.302180124254338]
  本稿では,各ログのトレースを圧縮するために必要な平均ビット数として計算された適合性チェックのためのエントロピー関連尺度を提案する。 エントロピー関連性はログのサイズで線形に計算可能であることを示し、産業環境における新しい手法の適用可能性を示す評価結果を提供する。
  論文  参考訳（メタデータ） (2020-07-18T02:25:33Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。