論文の概要: MetaKube: An Experience-Aware LLM Framework for Kubernetes Failure Diagnosis
- arxiv url: http://arxiv.org/abs/2603.23580v1
- Date: Tue, 24 Mar 2026 14:21:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:10.955951
- Title: MetaKube: An Experience-Aware LLM Framework for Kubernetes Failure Diagnosis
- Title（参考訳）: MetaKube: Kubernetes障害診断のためのエクスペリエンス対応LLMフレームワーク
- Authors: Wei Sun, Ting Wang, Xinran Tian, Wanshun Lan, Xuhan Feng, Haoyue Li, Fangxin Wang,
- Abstract要約: 本稿では,3つのシナジスティックなイノベーションを通じて,経験を意識したLLMフレームワークであるMetaKubeを紹介する。
EPMNは、歴史的解決から診断パターンを抽象化し、信頼性の校正された検索を提供する。
Kubernetes-Diagnosisは、ドメイン固有のポストトレーニングを通じて強化された、ローカルにデプロイ可能な8Bモデルである。
- 参考スコア（独自算出の注目度）: 7.5465163546424145
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing LLM-based Kubernetes diagnostic systems cannot learn from operational experience, operating on static knowledge bases without improving from past resolutions. We present MetaKube, an experience-aware LLM framework through three synergistic innovations: (1) an Episodic Pattern Memory Network (EPMN) that abstracts diagnostic patterns from historical resolutions and provides confidence-calibrated retrieval for both rapid pattern matching and guided causal exploration, (2) a meta-cognitive controller that dynamically routes between intuitive and analytical pathways based on problem familiarity, optimizing the trade-off between speed and depth, and (3) KubeLLM, a locally-deployable 8B model enhanced through domain-specific post-training on our 7,000-sample Kubernetes Fault Resolution Dataset. Evaluation on 1,873 real-world scenarios demonstrates MetaKube transforms Qwen3-8B from 50.9 to 90.5 points, approaching GPT-4.1 performance while ensuring complete data privacy. EPMN contributes 15.3% improvement through experiential learning, with continuous learning experiments showing progressive gains as the system accumulates operational knowledge. The source code and related resources are available at https://github.com/MetaKube-LLM-for-Kubernetes-Diagnosis/MetaKube.
- Abstract（参考訳）: 既存のLLMベースのKubernetes診断システムは、過去の解像度から改善することなく、静的ナレッジベースで運用することで、運用経験から学ぶことはできない。
筆者らは,(1)歴史的解決から診断パターンを抽象化し,素早いパターンマッチングとガイド付き因果探索の両方に信頼性を検証した検索を提供するエピソードパターン記憶ネットワーク(EPMN),(2)問題に精通した直感的経路と解析的経路を動的にルーティングするメタ認知コントローラ,(3)スピードと深さのトレードオフを最適化する,(3)ローカルにデプロイ可能な8BモデルであるKubeLLMを提案する。
1,873の現実世界シナリオの評価では、MetaKubeはQwen3-8Bを50.9から90.5ポイントに変換し、完全なデータプライバシーを確保しながらGPT-4.1パフォーマンスにアプローチしている。
EPMNは経験的学習を通じて15.3%の改善に寄与し、連続学習実験ではシステムが運用知識を蓄積するにつれて進歩的な進歩を示す。
ソースコードと関連するリソースはhttps://github.com/MetaKube-LLM-for-Kubernetes-Diagnosis/MetaKubeで公開されている。
関連論文リスト
- Internalizing Meta-Experience into Memory for Guided Reinforcement Learning in Large Language Models [28.300560850867374]
RLVR(Reinforcement Learning with Verifiable Rewards)は、Large Language Models(LLM)の推論能力を高める効果的なアプローチとして登場した。
本稿では,メタ実験学習(Meta-Experience Learning, MEL)を提案する。
MELはベンチマークで一貫した改善を実現し、様々なモデルサイズで3.92%--4.73%のPass@1ゲインを得る。
論文 参考訳（メタデータ） (2026-02-10T19:16:09Z) - Fidelity-Aware Recommendation Explanations via Stochastic Path Integration [14.312396553281316]
説明の正確さは、モデルの真の推論をいかに正確に反映しているかを測るが、レコメンデーションシステムでは重要な過小評価が残されている。
本稿では,SPINRecを提案する。SPINRecはモデルに依存しない手法で,経路積分の手法を推薦データのスパースで暗黙的な性質に適応させる手法である。
SPINRecは、すべてのベースラインを一貫して上回り、推奨の忠実な説明可能性のための新しいベンチマークを確立している。
論文 参考訳（メタデータ） (2025-11-22T12:59:04Z) - When Punctuation Matters: A Large-Scale Comparison of Prompt Robustness Methods for LLMs [55.20230501807337]
本報告では, 統一実験フレームワーク内での迅速なロバスト性向上のための5つの手法の体系的評価を行う。
Llama、Qwen、Gemmaファミリーの8つのモデルに対して、Natural Instructionsデータセットから52のタスクをベンチマークする。
論文 参考訳（メタデータ） (2025-08-15T10:32:50Z) - ADKGD: Anomaly Detection in Knowledge Graphs with Dual-Channel Training [38.3788247358102]
本稿では、二重チャネル学習(ADKGD)を用いた知識グラフにおける異常検出アルゴリズムを提案する。
両チャネル間のスコアリング関数の精度を向上させるために,KL(Kullback-leibler)-loss成分を導入する。
実験の結果,ADKGDは最先端の異常検出アルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2025-01-13T06:22:52Z) - What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。
モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
論文 参考訳（メタデータ） (2024-11-12T09:52:40Z) - Scalable PAC-Bayesian Meta-Learning via the PAC-Optimal Hyper-Posterior:
From Theory to Practice [54.03076395748459]
メタラーニング文学の中心的な疑問は、目に見えないタスクへの一般化を保証するために、いかに正規化するかである。
本稿では,Rothfussらによって最初に導かれたメタラーニングの一般化について述べる。
PAC-Bayesian per-task 学習境界におけるメタラーニングの条件と程度について,理論的解析および実証事例研究を行った。
論文 参考訳（メタデータ） (2022-11-14T08:51:04Z) - Meta-Learning Reliable Priors in the Function Space [36.869587157481284]
本稿では,F-PACOHと呼ばれるメタ学習フレームワークを紹介し,メタ学習をプロセスとして扱い,関数空間内で直接メタレベル正規化を行う。
これにより、メタラーナーの予測を、不十分なメタトレーニングデータの領域における高い不確実性に向けて直接操縦することができ、よく校正された不確実性推定が得られる。
論文 参考訳（メタデータ） (2021-06-06T18:07:49Z) - Learning to Generalize Unseen Domains via Memory-based Multi-Source
Meta-Learning for Person Re-Identification [59.326456778057384]
本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。
また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。
実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
論文 参考訳（メタデータ） (2020-12-01T11:38:16Z) - PACOH: Bayes-Optimal Meta-Learning with PAC-Guarantees [77.67258935234403]
PAC-Bayesianフレームワークを用いた理論的解析を行い、メタ学習のための新しい一般化境界を導出する。
我々は、性能保証と原則付きメタレベル正規化を備えたPAC最適メタ学習アルゴリズムのクラスを開発する。
論文 参考訳（メタデータ） (2020-02-13T15:01:38Z)
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。