論文の概要: SDVDiag: Using Context-Aware Causality Mining for the Diagnosis of Connected Vehicle Functions

• arxiv url: http://arxiv.org/abs/2604.03391v1
• Date: Fri, 03 Apr 2026 18:50:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.5508
• Title: SDVDiag: Using Context-Aware Causality Mining for the Diagnosis of Connected Vehicle Functions
• Title（参考訳）: SDVDiag:コネクテッドカーファンクションの診断におけるコンテキスト認識因果マイニングの利用
• Authors: Matthias Weiß, Falk Dettinger, Elias Detrois, Nasser Jazdi, Michael Weyrich,
• Abstract要約: 本稿では,人間のフィードバックとシステム固有の情報を因果解析プロセスに統合するマルチモーダルアプローチを提案する。 その結果, 因果縁検出の精度は14%から100%に向上した。
• 参考スコア（独自算出の注目度）: 0.35232085374661287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world implementations of connected vehicle functions are spreading steadily, yet operating these functions reliably remains challenging due to their distributed nature and the complexity of the underlying cloud, edge, and networking infrastructure. Quick diagnosis of problems and understanding the error chains that lead to failures is essential for reducing downtime. However, diagnosing these systems is still largely performed manually, as automated analysis techniques are predominantly data-driven and struggle with hidden relationships and the integration of context information. This paper addresses this gap by introducing a multimodal approach that integrates human feedback and system-specific information into the causal analysis process. Reinforcement Learning from Human Feedback is employed to continuously train a causality mining model while incorporating expert knowledge. Additional modules leverage distributed tracing data to prune false-positive causal links and enable the injection of domain-specific relationships to further refine the causal graph.Evaluation is performed using an automated valet parking application operated in a connected vehicle test field. Results demonstrate a significant increase in precision from 14\% to 100\% for the detection of causal edges and improved system interpretability compared to purely data-driven approaches, highlighting the potential for system operators in the connected vehicle domain.
• Abstract（参考訳）: 実世界のコネクテッドカーファンクションの実装は着実に普及しているが、その分散性と基盤となるクラウド、エッジ、ネットワークインフラストラクチャの複雑さのため、これらのファンクションを確実に運用することは依然として困難である。 ダウンタイムを減らすためには、問題の迅速な診断と失敗につながるエラーチェーンの理解が不可欠です。 しかし、自動分析技術は主にデータ駆動であり、隠れた関係やコンテキスト情報の統合に苦戦しているため、これらのシステムの診断はまだ手作業で行われている。 本稿では,人間のフィードバックとシステム固有の情報を因果解析プロセスに統合するマルチモーダルアプローチを導入することで,このギャップに対処する。 人間のフィードバックからの強化学習は、専門家の知識を取り入れつつ因果的マイニングモデルを継続的に訓練するために使用される。 追加モジュールは、分散トレースデータを利用して偽陽性因果関係を創出し、ドメイン固有の関係を注入して因果グラフをさらに洗練し、コネクテッドカーテストフィールドで動作する自動ベレーパーキングアプリケーションを用いて評価を行う。 その結果, 因果エッジ検出の精度は14 %から100 %に向上し, 純粋にデータ駆動型アプローチに比べてシステム解釈性が向上し, 連結車両領域におけるシステムオペレーターの可能性が強調された。

関連論文リスト

• An explainable hybrid deep learning-enabled intelligent fault detection and diagnosis approach for automotive software systems validation [2.7082111912355877]
  ASSのリアルタイム検証プロセスから記録を解析するインテリジェントモデルを開発した。 説明可能なAI技術(IGs、DeepLIFT、Gradient SHAP、DeepLIFT SHAP)の活用は、モデル適応と根本原因分析(RCA)の促進に役立った。
  論文  参考訳（メタデータ） (2026-03-09T09:46:28Z)
• 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)
• Mutual Information Tracks Policy Coherence in Reinforcement Learning [0.0]
  強化学習(RL)エージェントは、センサの故障、アクチュエータの摩耗、環境変化による劣化に直面している。 本稿では,RLの基本動力学を両立させる情報理論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-12T17:24:20Z)
• SDVDiag: A Modular Platform for the Diagnosis of Connected Vehicle Functions [0.0]
  本稿では,コネクテッドカー機能診断のための自動プラットフォームであるSDVDiagについて述べる。 このプラットフォームは、初期データ収集から潜在的な根本原因のトレースまで、すべてのステップをカバーするパイプラインの作成を可能にする。 接続された車両機能のための5Gテストフリート環境内に展開される。
  論文  参考訳（メタデータ） (2025-07-25T16:09:27Z)
• Diffusion Learning with Partial Agent Participation and Local Updates [42.04873382667665]
  拡散学習(diffusion learning)は、エッジデバイスに高度なインテリジェンスを提供するフレームワークである。 本稿では,局所的更新と部分的エージェント参加を考慮した拡散学習手法を提案する。 得られたアルゴリズムは平均二乗誤差感覚において安定であり、平均二乗偏差(MSD)性能の厳密な解析を提供する。
  論文  参考訳（メタデータ） (2025-05-16T14:33:49Z)
• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence [42.52549987351643]
  本稿では,貯水池計算に基づく有向グラフ解析パイプラインを提案する。 このパイプラインの目標は、ストロークデータにおける接続性のための効率的な脳表現を定義することである。 この表現は、有向グラフ畳み込みアーキテクチャ内で使われ、説明可能な人工知能(AI)ツールで調査される。
  論文  参考訳（メタデータ） (2024-07-17T13:34:05Z)
• KGroot: Enhancing Root Cause Analysis through Knowledge Graphs and Graph Convolutional Neural Networks [14.336830860792707]
  KGrootはイベント知識とイベント間の相関を使って根本原因推論を行う。 実験では、KGrootは第2レベルにおいて93.5%の確率で根本原因を特定できることを示した。
  論文  参考訳（メタデータ） (2024-02-11T10:30:38Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)

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。