論文の概要: Learning to Predict, Discover, and Reason in High-Dimensional Discrete Event Sequences

• arxiv url: http://arxiv.org/abs/2603.16313v1
• Date: Tue, 17 Mar 2026 09:45:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.206577
• Title: Learning to Predict, Discover, and Reason in High-Dimensional Discrete Event Sequences
• Title（参考訳）: 高次元離散事象系列の予測・発見・推論の学習
• Authors: Hugo Math,
• Abstract要約: 自動車業界では、ドメインの専門家がこれらのコードを高レベルのエラーパターンに手動でグループ化します。 車両の複雑さが増大するにつれて、この手作業プロセスはますますコストがかかり、エラーが発生し、スケールが困難になる。 この論文は、イベントシーケンスモデリング、因果発見、および大規模言語モデルを統合することで、自動故障診断に対処する。
• 参考スコア（独自算出の注目度）: 1.5229257192293202
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electronic control units (ECUs) embedded within modern vehicles generate a large number of asynchronous events known as diagnostic trouble codes (DTCs). These discrete events form complex temporal sequences that reflect the evolving health of the vehicle's subsystems. In the automotive industry, domain experts manually group these codes into higher-level error patterns (EPs) using Boolean rules to characterize system faults and ensure safety. However, as vehicle complexity grows, this manual process becomes increasingly costly, error-prone, and difficult to scale. Notably, the number of unique DTCs in a modern vehicle is on the same order of magnitude as the vocabulary of a natural language, often numbering in the tens of thousands. This observation motivates a paradigm shift: treating diagnostic sequences as a language that can be modeled, predicted, and ultimately explained. Traditional statistical approaches fail to capture the rich dependencies and do not scale to high-dimensional datasets characterized by thousands of nodes, large sample sizes, and long sequence lengths. Specifically, the high cardinality of categorical event spaces in industrial logs poses a significant challenge, necessitating new machine learning architectures tailored to such event-driven systems. This thesis addresses automated fault diagnostics by unifying event sequence modeling, causal discovery, and large language models (LLMs) into a coherent framework for high-dimensional event streams. It is structured in three parts, reflecting a progressive transition from prediction to causal understanding and finally to reasoning for vehicle diagnostics. Consequently, we introduce several Transformer-based architectures for predictive maintenance, scalable sample- and population-level causal discovery frameworks and a multi-agent system that automates the synthesis of Boolean EP rules.
• Abstract（参考訳）: 現代の車両に埋め込まれた電子制御ユニット(ECU)は、診断トラブルコード(DTC)として知られる多数の非同期イベントを生成する。 これらの離散的な事象は、車両のサブシステムの進化する健康を反映する複雑な時間配列を形成する。 自動車業界では、ドメインの専門家がBooleanルールを使用してこれらのコードを高レベルのエラーパターン(EP)に手動でグループ化し、システム障害を特徴づけ、安全性を確保する。 しかし、車両の複雑さが増大するにつれて、この手作業プロセスはますますコストがかかり、エラーが発生し、スケールが困難になる。 特に、現代の車両におけるユニークなDTCの数は、自然言語の語彙の桁数と同じであり、しばしば数万にも及ぶ。 この観察は、診断シーケンスをモデル化、予測、最終的に説明できる言語として扱うというパラダイムシフトを動機付けている。 従来の統計的アプローチでは、豊富な依存関係をキャプチャできず、数千のノード、大きなサンプルサイズ、長いシーケンス長を特徴とする高次元データセットにスケールしない。 具体的には、産業ログにおけるカテゴリー的なイベント空間の高濃度性は、このようなイベント駆動システムに適した新しい機械学習アーキテクチャを必要とする、重大な課題を生じさせる。 この論文は、イベントシーケンスモデリング、因果探索、および大規模言語モデル(LLM)を高次元イベントストリームのための一貫性のあるフレームワークに統合することで、自動障害診断に対処する。 3つの部分から構成されており、予測から因果理解への進歩的な移行を反映し、最終的には車両診断の推論へと移行している。 その結果,トランスフォーマーをベースとした複数のアーキテクチャを導入し,予測保守,拡張性のあるサンプルレベルおよび集団レベルの因果発見フレームワーク,およびブールEPルールの自動生成を行うマルチエージェントシステムを提案する。

関連論文リスト

• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• TRACE: Scalable Amortized Causal Discovery from Single Sequences via Autoregressive Density Estimation [14.409508347156397]
  プロセスが生成する離散事象の1つの観測シーケンスから因果発見について検討した。 本稿では,自己回帰モデルを条件付き相互情報推定のための事前学習密度推定器として再利用するスケーラブルなフレームワークTRACEを紹介する。
  論文  参考訳（メタデータ） (2026-02-01T10:18:27Z)
• Transforming Vehicle Diagnostics: A Multimodal Approach to Error Patterns Prediction [14.409508347156397]
  本稿では、エラーコードからエラーパターンへの多重ラベルシーケンス分類のための、最初のマルチモーダルアプローチであるBiCarFormerを提案する。 DTCシーケンスと従来のシーケンスモデルに依存するモデルと比較して,BiCarFormerは分類性能を著しく向上することを示す。
  論文  参考訳（メタデータ） (2026-02-01T09:06:49Z)
• Variational decomposition autoencoding improves disentanglement of latent representations [14.3216921403324]
  信号分解に対する強い構造バイアスを組み込むことで、VAEを拡張するフレームワークである変分分解自動符号化(VDA)を導入する。 VDAは変分分解オートエンコーダ(DecVAE)、すなわち信号分解モデル、コントラスト自己監督タスク、変分事前近似を組み合わせたエンコーダのみのニューラルネットワークによってインスタンス化される。 シミュレーションデータと3つの公開科学データセットに対するDecVAEsの有効性を実証し, 音声認識, 難聴度評価, 感情音声分類を行った。
  論文  参考訳（メタデータ） (2026-01-11T10:16:34Z)
• Robust Group Anomaly Detection for Quasi-Periodic Network Time Series [47.60720976101336]
  本稿では,ネットワーク時系列データベース内の異常で興味深い時系列を識別するフレームワークを提案する。 本稿では,Seq2GMMモデルを効率よく学習できるサロゲートに基づく最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-06-20T08:11:04Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• MLAD: A Unified Model for Multi-system Log Anomaly Detection [35.68387377240593]
  複数のシステムにまたがる意味的関係推論を組み込んだ新しい異常検出モデルMLADを提案する。 具体的には、Sentence-bertを用いてログシーケンス間の類似性を捉え、それらを高次元の学習可能な意味ベクトルに変換する。 我々は,各キーワードのシーケンスにおける意義を識別し,マルチシステムデータセットの全体分布をモデル化するために,アテンション層の公式を改訂する。
  論文  参考訳（メタデータ） (2024-01-15T12:51:13Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Self-awareness in intelligent vehicles: Feature based dynamic Bayesian models for abnormality detection [4.251384905163326]
  本稿では,自律走行車における自己認識性向上のための新しい手法を提案する。 車両からの時系列データは、データ駆動型動的ベイズネットワーク(DBN)モデルの開発に使用される。 協調作業における共同異常検出が可能な初期レベル集団認識モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-29T09:29:47Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Masked Language Modeling for Proteins via Linearly Scalable Long-Context Transformers [42.93754828584075]
  我々は、高速注意Via Orthogonal Random機能(FAVOR)に基づく新しいトランスフォーマーアーキテクチャPerformerを提案する。 我々の機構は、列内のトークンの数で2次ではなく2次的にスケールし、四次空間の複雑さが特徴であり、スパーシティパターンの先行を含まない。 これは強い理論的保証を与える:注意行列の偏りのない推定と一様収束である。
  論文  参考訳（メタデータ） (2020-06-05T17:09:16Z)

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。