論文の概要: CausalTrace: A Neurosymbolic Causal Analysis Agent for Smart Manufacturing

• arxiv url: http://arxiv.org/abs/2510.12033v1
• Date: Tue, 14 Oct 2025 00:36:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.127619
• Title: CausalTrace: A Neurosymbolic Causal Analysis Agent for Smart Manufacturing
• Title（参考訳）: CausalTrace: スマートマニュファクチャリングのためのニューロシンボリック因果解析剤
• Authors: Chathurangi Shyalika, Aryaman Sharma, Fadi El Kalach, Utkarshani Jaimini, Cory Henson, Ramy Harik, Amit Sheth,
• Abstract要約: CausalTraceは、SmartPilotの産業用CoPilotに組み込まれた、ニューロシンボリック因果解析モジュールである。 リアルタイムオペレータインタラクションをサポートし、透過的で説明可能な意思決定サポートを提供することで、既存のエージェントを補完するように設計されている。
• 参考スコア（独自算出の注目度）: 0.8255450671031074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern manufacturing environments demand not only accurate predictions but also interpretable insights to process anomalies, root causes, and potential interventions. Existing AI systems often function as isolated black boxes, lacking the seamless integration of prediction, explanation, and causal reasoning required for a unified decision-support solution. This fragmentation limits their trustworthiness and practical utility in high-stakes industrial environments. In this work, we present CausalTrace, a neurosymbolic causal analysis module integrated into the SmartPilot industrial CoPilot. CausalTrace performs data-driven causal analysis enriched by industrial ontologies and knowledge graphs, including advanced functions such as causal discovery, counterfactual reasoning, and root cause analysis (RCA). It supports real-time operator interaction and is designed to complement existing agents by offering transparent, explainable decision support. We conducted a comprehensive evaluation of CausalTrace using multiple causal assessment methods and the C3AN framework (i.e. Custom, Compact, Composite AI with Neurosymbolic Integration), which spans principles of robustness, intelligence, and trustworthiness. In an academic rocket assembly testbed, CausalTrace achieved substantial agreement with domain experts (ROUGE-1: 0.91 in ontology QA) and strong RCA performance (MAP@3: 94%, PR@2: 97%, MRR: 0.92, Jaccard: 0.92). It also attained 4.59/5 in the C3AN evaluation, demonstrating precision and reliability for live deployment.
• Abstract（参考訳）: 現代の製造業環境は、正確な予測だけでなく、プロセス異常、根本原因、潜在的な介入に対する解釈可能な洞察も要求している。 既存のAIシステムは、しばしば孤立したブラックボックスとして機能し、統一された意思決定支援ソリューションに必要な予測、説明、因果推論のシームレスな統合を欠いている。 この断片化は、高い産業環境における信頼性と実用性を制限している。 本稿では,SmartPilot産業用CoPilotに組み込まれたニューロシンボリック因果解析モジュールCausalTraceを紹介する。 CausalTraceは、産業オントロジーや知識グラフによって強化されたデータ駆動因果解析を行い、因果発見、反事実推論、根本原因分析(RCA)などの高度な機能を備えている。 リアルタイムオペレータインタラクションをサポートし、透過的で説明可能な意思決定サポートを提供することで、既存のエージェントを補完するように設計されている。 我々は、複数の因果評価手法とC3ANフレームワーク(カスタム、コンパクト、複合AIとニューロシンボリック統合)を用いて、堅牢性、知性、信頼性の原則を網羅したCausalTraceの総合評価を行った。 学術的なロケット組み立てテストベッドで、カウサルトラスは領域の専門家(ROUGE-1: 0.91 in Ontology QA)と強力なRCA性能(MAP@3: 94%、PR@2: 97%、MRR: 0.92、Jaccard: 0.92)とかなりの合意に達した。 また、C3ANの評価では4.59/5に達し、ライブデプロイメントの精度と信頼性を実証した。

関連論文リスト

• Causal-Copilot: An Autonomous Causal Analysis Agent [25.5944359329613]
  Causal-Copilotは、専門家レベルの因果分析を運用する自律エージェントである。 自然言語によるインタラクティブな洗練をサポートし、非専門主義者の障壁を低くする。 私たちのシステムは、ドメインエキスパートのための高度な因果的手法へのアクセスを拡大する、活発なサイクルを育みます。
  論文  参考訳（メタデータ） (2025-04-17T18:05:39Z)
• 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)
• Task-Driven Causal Feature Distillation: Towards Trustworthy Risk Prediction [19.475933293993076]
  本稿では,タスク駆動型因果的特徴蒸留モデル(TDCFD)を提案し,元の特徴値を因果的特徴属性に変換する。 因果的特徴蒸留後、信頼に値する予測結果を得るためにディープニューラルネットワークを適用する。 合成および実データを用いたTDCFD法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-12-20T08:16:53Z)
• RCAgent: Cloud Root Cause Analysis by Autonomous Agents with Tool-Augmented Large Language Models [46.476439550746136]
  近年,クラウド根本原因分析(RCA)における言語モデル (LLM) の適用が活発に検討されている。 RCAgentは、実用的でプライバシに配慮した産業RCA利用のためのツール強化LDM自律エージェントフレームワークである。 RCAgentはGPTファミリではなく、内部的にデプロイされたモデル上で動作し、フリーフォームのデータ収集とツールによる包括的な分析を行うことができる。
  論文  参考訳（メタデータ） (2023-10-25T03:53:31Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• BALANCE: Bayesian Linear Attribution for Root Cause Localization [19.30952654225615]
  ルート原因分析(RCA)は分散データシステムの保守と運用において必須の役割を果たす。 本稿では、最近開発された説明可能なAI(XAI)のフレームワークをRCAのために活用する可能性を明らかにする。 本稿では,XAI における帰属レンズを通して RCA の問題を定式化する BALANCE を提案する。
  論文  参考訳（メタデータ） (2023-01-31T11:49:26Z)
• Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
  フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。 我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。 以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
  論文  参考訳（メタデータ） (2022-04-08T19:19:42Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。