論文の概要: Debugging Tabular Log as Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2512.22903v1
• Date: Sun, 28 Dec 2025 12:23:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.278942
• Title: Debugging Tabular Log as Dynamic Graphs
• Title（参考訳）: 動的グラフとしてのタブラリログのデバッグ
• Authors: Chumeng Liang, Zhanyang Jin, Zahaib Akhtar, Mona Pereira, Haofei Yu, Jiaxuan You,
• Abstract要約: Tabular logは現実世界のシステムでオブジェクトやイベントを抽象化し、更新を報告してシステムの変更を反映する。 本稿では,動的グラフに基づいてグラフログをデバッグする新しいフレームワークであるGraphLog Debuggerを提案する。
• 参考スコア（独自算出の注目度）: 24.529035679332605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular log abstracts objects and events in the real-world system and reports their updates to reflect the change of the system, where one can detect real-world inconsistencies efficiently by debugging corresponding log entries. However, recent advances in processing text-enriched tabular log data overly depend on large language models (LLMs) and other heavy-load models, thus suffering from limited flexibility and scalability. This paper proposes a new framework, GraphLogDebugger, to debug tabular log based on dynamic graphs. By constructing heterogeneous nodes for objects and events and connecting node-wise edges, the framework recovers the system behind the tabular log as an evolving dynamic graph. With the help of our dynamic graph modeling, a simple dynamic Graph Neural Network (GNN) is representative enough to outperform LLMs in debugging tabular log, which is validated by experimental results on real-world log datasets of computer systems and academic papers.
• Abstract（参考訳）: Tabular logは、現実世界のシステム内のオブジェクトやイベントを抽象化し、更新を報告してシステムの変更を反映し、対応するログエントリをデバッグすることで、現実の矛盾を効率的に検出することができる。 しかし、最近のテキストリッチな表ログデータ処理の進歩は、大きな言語モデル(LLM)や他の重負荷モデルに依存しており、柔軟性とスケーラビリティの制限に悩まされている。 本稿では,動的グラフに基づいてグラフログをデバッグする新しいフレームワークであるGraphLogDebuggerを提案する。 オブジェクトやイベントのための異種ノードを構築し、ノードワイドエッジを接続することで、このフレームワークは進化する動的グラフとして表ログの背後にあるシステムを回復する。 我々の動的グラフモデリングの助けを借りて、単純な動的グラフニューラルネットワーク(GNN)は、コンピュータシステムと学術論文の実際のログデータセットの実験結果によって検証された表ログのデバッグにおいて、LCMよりも優れた性能を発揮する。

関連論文リスト

• GraphCogent: Mitigating LLMs' Working Memory Constraints via Multi-Agent Collaboration in Complex Graph Understanding [13.356521655409422]
  大規模言語モデル(LLM)は、小規模なグラフ推論タスクでは有望な性能を示すが、複雑なクエリで現実のグラフを扱うと失敗する。 グラフ推論を特殊な認知プロセス(センス、バッファ、実行)に分解する協調エージェントフレームワークであるGraphCogentを提案する。
  論文  参考訳（メタデータ） (2025-08-17T14:28:38Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Query-Aware Learnable Graph Pooling Tokens as Prompt for Large Language Models [3.9489815622117566]
  Learnable Graph Pooling Token (LGPT)は、フレキシブルで効率的なグラフ表現を可能にする。 提案手法は,大規模言語モデルを訓練することなく,GraphQAベンチマークで4.13%の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-01-29T10:35:41Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Input Snapshots Fusion for Scalable Discrete-Time Dynamic Graph Neural Networks [27.616083395612595]
  本稿では,Hawkesプロセスとグラフニューラルネットワークを組み合わせることで,動的グラフの時間的および構造的パターンを効果的に捉えるSFDyGを提案する。 複数のスナップショットを1つの時間グラフに融合することで、SFDyGはスナップショットの数から計算複雑性を分離し、効率的なフルバッチとミニバッチのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2024-05-11T10:05:55Z)
• GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection [49.9884374409624]
  GLADは、システムログの異常を検出するように設計されたグラフベースのログ異常検出フレームワークである。 システムログの異常を検出するために設計されたグラフベースのログ異常検出フレームワークであるGLADを紹介する。
  論文  参考訳（メタデータ） (2023-09-12T04:21:30Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• Marked Neural Spatio-Temporal Point Process Involving a Dynamic Graph Neural Network [0.0]
  時間的ポイントプロセス(TPP)は近年,グラフデータの動的学習においてますます興味深いものになりつつある。 TPPは、イベントストリームの有意義な特徴と、将来のイベントの予測メカニズムを提供する。 我々は,属性や空間データを処理し,グラフストリーム内の任意の事象をモデル化・予測するTPPを学習するために,マーク付きニューラルネットワーク時空間点過程(MNSTPP)を提案する。
  論文  参考訳（メタデータ） (2022-06-07T17:40:51Z)
• Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
  本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2021-12-14T22:24:53Z)

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。