論文の概要: Generative AI for Self-Adaptive Systems: State of the Art and Research Roadmap

• arxiv url: http://arxiv.org/abs/2512.04680v1
• Date: Thu, 04 Dec 2025 11:13:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.129157
• Title: Generative AI for Self-Adaptive Systems: State of the Art and Research Roadmap
• Title（参考訳）: 自己適応型システムのためのジェネレーティブAI - 最先端と研究ロードマップ
• Authors: Jialong Li, Mingyue Zhang, Nianyu Li, Danny Weyns, Zhi Jin, Kenji Tei,
• Abstract要約: 自己適応システム(SAS)はフィードバックループを通じて変化や不確実性を扱うように設計されている。 GenAIはデータの理解と論理的推論において素晴らしいパフォーマンスを示している。 しかし、SASにおけるGenAIの具体的なメリットと課題は明らかでない。
• 参考スコア（独自算出の注目度）: 38.62403923506888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-adaptive systems (SASs) are designed to handle changes and uncertainties through a feedback loop with four core functionalities: monitoring, analyzing, planning, and execution. Recently, generative artificial intelligence (GenAI), especially the area of large language models, has shown impressive performance in data comprehension and logical reasoning. These capabilities are highly aligned with the functionalities required in SASs, suggesting a strong potential to employ GenAI to enhance SASs. However, the specific benefits and challenges of employing GenAI in SASs remain unclear. Yet, providing a comprehensive understanding of these benefits and challenges is complex due to several reasons: limited publications in the SAS field, the technological and application diversity within SASs, and the rapid evolution of GenAI technologies. To that end, this paper aims to provide researchers and practitioners a comprehensive snapshot that outlines the potential benefits and challenges of employing GenAI's within SAS. Specifically, we gather, filter, and analyze literature from four distinct research fields and organize them into two main categories to potential benefits: (i) enhancements to the autonomy of SASs centered around the specific functions of the MAPE-K feedback loop, and (ii) improvements in the interaction between humans and SASs within human-on-the-loop settings. From our study, we outline a research roadmap that highlights the challenges of integrating GenAI into SASs. The roadmap starts with outlining key research challenges that need to be tackled to exploit the potential for applying GenAI in the field of SAS. The roadmap concludes with a practical reflection, elaborating on current shortcomings of GenAI and proposing possible mitigation strategies.
• Abstract（参考訳）: 自己適応システム(SAS)は,4つのコア機能 – 監視,分析,計画,実行 – を備えたフィードバックループを通じて,変更や不確実性を処理するように設計されている。 近年、生成人工知能(GenAI)、特に大規模言語モデルの領域は、データの理解と論理的推論において顕著な性能を示している。 これらの能力は、SASに必要な機能と高度に整合しており、SASを強化するためにGenAIを使用する可能性が強いことを示唆している。 しかし、SASにおけるGenAIの具体的なメリットと課題は明らかでない。 しかし、これらのメリットと課題を包括的に理解することは、SAS分野における限られた出版物、SASにおける技術と応用の多様性、GenAI技術の急速な進化など、いくつかの理由により複雑である。 そこで本論文は,SAS内におけるGenAI導入のメリットと課題を概観した,研究者や実践者の総合的なスナップショットを提供することを目的とする。 具体的には、4つの異なる研究分野から文献を収集し、フィルタリングし、分析し、2つの主要なカテゴリに分類し、潜在的な利益をもたらす。 i)MAPE-Kフィードバックループの特定の機能を中心としたSASの自律性の向上、及び (II)人間のループ設定における人間とSASの相互作用の改善 本稿では,GenAIをSASに統合する上での課題を概説する研究ロードマップを概説する。 ロードマップは、SASの分野でGenAIを適用する可能性を活用するために取り組まなければならない重要な研究課題の概要から始まる。 ロードマップは、GenAIの現在の欠点を解明し、緩和戦略を提案する、実践的なふりかえりで締めくくっている。

関連論文リスト

• Fusion Intelligence for Digital Twinning AI Data Centers: A Synergistic GenAI-PhyAI Approach [17.699432259756456]
  Fusion Intelligenceは、GenAIの自動化をPhyAIのドメイン基盤と同期させる新しいフレームワークである。 ケーススタディでは、AIDCデジタルツインの作成と検証を自動化する上で、我々のフレームワークの利点を実証している。
  論文  参考訳（メタデータ） (2025-05-26T01:58:34Z)
• Generative Artificial Intelligence Meets Synthetic Aperture Radar: A Survey [49.29751866761522]
  本稿では,GenAIとSARの交差点について検討する。 まず、SAR分野における一般的なデータ生成ベースのアプリケーションについて説明する。 次に、最新のGenAIモデルの概要を体系的にレビューする。 最後に、SARドメインの対応するアプリケーションも含まれる。
  論文  参考訳（メタデータ） (2024-11-05T03:06:00Z)
• On the Interplay of Artificial Intelligence and Space-Air-Ground Integrated Networks: A Survey [1.5883812630616518]
  Space-Air-Ground Integrated Networks (SAGINs)は、第6世代(6G)無線ネットワークの重要な実現要因である。 本研究では,AIを活用したSAGINにおける最先端研究の総合的な概要を提供することで,AIとSAGINの相互作用を解明することを目的とする。
  論文  参考訳（メタデータ） (2024-01-20T16:10:31Z)
• Exploring the Potential of Large Language Models in Self-adaptive Systems [24.58985894322484]
  大規模言語モデル(LLM)は、自己適応システム(SAS)の様々な側面を強化する可能性がある。 しかし、SAS における LLM の可能性は、この分野の文献が不足しているため、未解明で曖昧なままである。 本稿では, 関連分野の文献レビューの結果を報告するとともに, SASに関する研究を要約し, 分類し, SASの特定の側面に対する可能性について概説する。
  論文  参考訳（メタデータ） (2024-01-15T08:44:11Z)
• Sudden Drops in the Loss: Syntax Acquisition, Phase Transitions, and Simplicity Bias in MLMs [47.14410674505256]
  マスキング言語モデル(MLM)における構文習得のケーススタディを提案する。 本研究では,特定のトランスフォーマーヘッドが特定の構文的関係に焦点をあてる,アクセシビリティの自然発生特性である構文的注意構造(SAS)について検討する。 学習中にSASを操作することでSASの因果的役割を解明し,SASが文法的能力の発達に必要であることを示す。
  論文  参考訳（メタデータ） (2023-09-13T20:57:11Z)
• Advances in Self-Supervised Learning for Synthetic Aperture Sonar Data Processing, Classification, and Pattern Recognition [0.36700088931938835]
  本稿では,SASデータ処理,分類,パターン認識に自己教師付き学習を活用するMoCo-SASを提案する。 実験の結果,MoCo-SASは従来の教師あり学習法よりも優れていた。 これらの知見は、SASデータ処理における最先端の進歩におけるSSLの可能性を強調し、水中物体の検出と分類を強化するための有望な道を提供する。
  論文  参考訳（メタデータ） (2023-08-12T20:59:39Z)

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。