論文の概要: NeSy-Edge: Neuro-Symbolic Trustworthy Self-Healing in the Computing Continuum
- arxiv url: http://arxiv.org/abs/2603.21145v1
- Date: Sun, 22 Mar 2026 09:42:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.260664
- Title: NeSy-Edge: Neuro-Symbolic Trustworthy Self-Healing in the Computing Continuum
- Title（参考訳）: NeSy-Edge: コンピュータの連続体で信頼できる自己修復
- Authors: Peihan Ye, Alfreds Lapkovskis, Alaa Saleh, Qiyang Zhang, Praveen Kumar Donta,
- Abstract要約: NeSy-Edgeは、コンピュータ連続体における信頼できる自己修復のための神経象徴的なフレームワークである。
NeSy-Edgeは、生のランタイムログを構造化されたイベント表現に変換し、事前制約されたスパースシンボル因果グラフを構築し、因果証拠と過去のトラブルシューティング知識を統合する。
分析品質,因果推論,エンドツーエンド診断,エッジ側リソース利用などを考慮して,複数レベルのセマンティックノイズ下でのLoghubデータセットの性能評価を行った。
- 参考スコア（独自算出の注目度）: 2.1729123479390946
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The computational demands of modern AI services are increasingly shifting execution beyond centralized clouds toward a computing continuum spanning edge and end devices. However, the scale, heterogeneity, and cross-layer dependencies of these environments make resilience difficult to maintain. Existing fault-management methods are often too static, fragmented, or heavy to support timely self-healing, especially under noisy logs and edge resource constraints. To address these limitations, this paper presents NeSy-Edge, a neuro-symbolic framework for trustworthy self-healing in the computing continuum. The framework follows an edge-first design, where a resource-constrained edge node performs local perception and reasoning, while a cloud model is invoked only at the final diagnosis stage. Specifically, NeSy-Edge converts raw runtime logs into structured event representations, builds a prior-constrained sparse symbolic causal graph, and integrates causal evidence with historical troubleshooting knowledge for root-cause analysis and recovery recommendation. We evaluate our work on representative Loghub datasets under multiple levels of semantic noise, considering parsing quality, causal reasoning, end-to-end diagnosis, and edge-side resource usage. The results show that NeSy-Edge remains robust even at the highest noise level, achieving up to 75% root-cause analysis accuracy and 65% end-to-end accuracy while operating within about 1500 MB of local memory.
- Abstract（参考訳）: 現代のAIサービスの計算要求は、エッジとエンドデバイスにまたがるコンピューティング連続体へと、中央集権的なクラウドを超えて実行をシフトしつつある。
しかしながら、これらの環境のスケール、異質性、および層間依存関係は、レジリエンスの維持を困難にしている。
既存のフォールト管理メソッドは、しばしば静的、断片化、重すぎるため、タイムリーな自己修復、特に騒々しいログとエッジリソースの制約の下では、サポートできない。
これらの制約に対処するため,計算連続体における信頼に値する自己修復のためのニューロシンボリック・フレームワークであるNeSy-Edgeを提案する。
このフレームワークはエッジファーストの設計に従い、リソース制約のあるエッジノードが局所的な認識と推論を行い、クラウドモデルが最終診断段階でのみ呼び出される。
具体的には、NeSy-Edgeは生のランタイムログを構造化されたイベント表現に変換し、事前制約されたスパースシンボル因果グラフを構築し、根因解析とリカバリの推奨のための歴史的トラブルシューティング知識と因果証拠を統合する。
分析品質,因果推論,エンドツーエンド診断,エッジ側リソース利用などを考慮して,複数レベルのセマンティックノイズ下でのLoghubデータセットの性能評価を行った。
その結果,NeSy-Edgeは最大雑音レベルにおいても頑健であり,最大75%の根源解析精度と65%のエンドツーエンド精度を達成でき,約1500MBのローカルメモリ内で動作可能であることがわかった。
関連論文リスト
- Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - Cloud-OpsBench: A Reproducible Benchmark for Agentic Root Cause Analysis in Cloud Systems [51.2882705779387]
Cloud-OpsBenchは、State Snapshot Paradigmを使用して、クラウドの決定論的デジタルツインを構築する大規模なベンチマークである。
フルスタックにまたがる40の根本原因タイプに452の障害ケースがある。
論文 参考訳（メタデータ） (2026-02-28T05:04:42Z) - Lost in the Noise: How Reasoning Models Fail with Contextual Distractors [57.31788955167306]
推論モデルとエージェントAIシステムの最近の進歩は、多様な外部情報への依存度を高めている。
NoisyBenchは、RAGの11のデータセット、推論、アライメント、ツール使用タスクに対して、モデルロバスト性を体系的に評価する包括的なベンチマークである。
評価の結果,文脈的障害に直面した場合,最先端モデルでは最大80%の破滅的な性能低下がみられた。
論文 参考訳（メタデータ） (2026-01-12T05:43:51Z) - PROVEX: Enhancing SOC Analyst Trust with Explainable Provenance-Based IDS [1.9336815376402718]
本稿では,グラフに基づく検出を透過的にすることで,セキュリティ運用センター(SOC)の信頼ギャップを埋めるための総合的なXAIフレームワークを提案する。
我々はこのフレームワークを,最先端の時間グラフベースのIDSであるKAIROS上に実装する。
論文 参考訳（メタデータ） (2025-12-20T03:45:21Z) - Matrix Sensing with Kernel Optimal Loss: Robustness and Optimization Landscape [10.674539579679871]
従来の回帰タスクでは、平均二乗誤差(MSE)損失は一般的な選択であるが、ガウス的でないノイズや重み付きノイズは信頼できない。
我々は,残差密度のカーネルベース推定に基づくロバストな損失定式化を採用し,その推定対数類似度を最大化する。
論文 参考訳（メタデータ） (2025-11-03T23:22:37Z) - Training More Robust Classification Model via Discriminative Loss and Gaussian Noise Injection [7.535952418691443]
本稿では,クラス内コンパクト性を明示する最小層に適用した損失関数を提案する。
また、ノイズの多いデータクラスタをクリーンなクラスタに近づける、クラスワイズな機能アライメント機構を提案する。
提案手法は, クリーンなデータに対して高い精度を維持しながら, 各種摂動に対するモデルロバスト性を大幅に強化する。
論文 参考訳（メタデータ） (2024-05-28T18:10:45Z) - Root Cause Analysis In Microservice Using Neural Granger Causal
Discovery [12.35924469567586]
本稿では、ニューラルグラガー因果探索と対照的学習を用いた根本原因解析の新しい手法であるRUNを提案する。
RUNは時系列からコンテキスト情報を統合することでバックボーンエンコーダを強化し、時系列予測モデルを利用して神経グランガー因果発見を行う。
さらに、RUNはPagerankをベクターに組み込んで、トップkのルート原因を効率的に推奨している。
論文 参考訳（メタデータ） (2024-02-02T04:43:06Z) - Root Cause Explanation of Outliers under Noisy Mechanisms [50.59446568076628]
因果過程は、しばしばグラフとしてモデル化され、エンティティはノードであり、パス/インターコネクションはエッジである。
既存の作業は、生成プロセスにおけるノードの寄与のみを考慮している。
根本原因を特定する際,各メカニズムの個々のエッジとノードについて検討する。
論文 参考訳（メタデータ） (2023-12-19T03:24:26Z) - An Influence-based Approach for Root Cause Alarm Discovery in Telecom
Networks [7.438302177990416]
実際には、正確で自己調整可能なアラームの根本原因分析は、ネットワークの複雑さと大量のアラームのために大きな課題である。
因果推論とネットワーク埋め込み技術を組み合わせたルート原因警報定位のためのデータ駆動型フレームワークを提案する。
人工データと現実世界の通信データについて評価し,最適なベースラインに対して有意な改善を示した。
論文 参考訳（メタデータ） (2021-05-07T07:41:46Z) - Gradient Descent on Neural Networks Typically Occurs at the Edge of
Stability [94.4070247697549]
ニューラルネットワークトレーニング対象に対するフルバッチ勾配降下は、安定性のエッジと呼ばれるレジームで動作します。
この体制では、トレーニング損失 Hessian の最大固有値は2/text(ステップサイズ)$ の数値よりすぐ上にあり、トレーニング損失は短い時間スケールで非単調に振る舞うが、長い時間スケールでは一貫して減少する。
論文 参考訳（メタデータ） (2021-02-26T22:08:19Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z)
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。