論文の概要: GraphMind: From Operational Traces to Self-Evolving Workflow Automation

• arxiv url: http://arxiv.org/abs/2605.17617v1
• Date: Sun, 17 May 2026 19:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.229373
• Title: GraphMind: From Operational Traces to Self-Evolving Workflow Automation
• Title（参考訳）: GraphMind: 運用トレースから自己進化型ワークフロー自動化へ
• Authors: Yiwen Zhu, Joyce Cahoon, Anna Pavlenko, Qiushi Bai, Nima Shahbazi, Divya Vermareddy, Meina Wang, Mathieu Demarne, Swati Bararia, Wenjing Wang, Hemkesh Vijaya Kumar, Hannah Lerner, Katherine Lin, Steve Toscano, Miso Cilimdzic, Subru Krishnan,
• Abstract要約: GraphMindは、人間の努力なしにアクション中心のワークフローグラフを構築し、実行し、進化させるエンドツーエンドシステムである。 システムは、インシデント調査のために、4つのプロダクションクラウドデータベースサービスにデプロイされている。
• 参考スコア（独自算出の注目度）: 8.929269898719822
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Complex operational workflows coordinating personnel, tools, and information are central to enterprise operations, yet end-to-end automation remains challenging due to extensive requirements for human inputs and the inability to adapt over time. We present GraphMind, an end-to-end system that constructs, executes, and evolves action-centric workflow graphs without human effort. The system operates in three phases. First, a scalable offline pipeline extracts structured workflow graphs from large volumes of human resolution traces, capturing problems, actions, and their causal relationships. Second, an online multi-agent traversal engine navigates the graph to dynamically construct and execute workflows, combining graph-guided retrieval with LLM-driven reasoning at each step. Third, Adaptive Traversal Reinforcement (ATR) reinforces successful traversal paths and decays stale elements. This closed-loop mechanism enables the graph to self-optimize and adapt to shifting operational conditions. GraphMind has been deployed across four production cloud database services for incident investigation. Evaluated on production data, the system substantially outperforms a Trace-RAG baseline in mitigation reach, groundedness, and diagnostic throughput, scoring 4.95/5 in blind expert review. The ATR layer provides further gains across all metrics, demonstrating that workflow graphs can learn and improve from execution-derived feedback.
• Abstract（参考訳）: 人事、ツール、情報をコーディネートする複雑な運用ワークフローはエンタープライズオペレーションの中心であるが、人間の入力に対する広範な要求と時間とともに適応できないため、エンドツーエンドの自動化は依然として困難である。 我々は、人間の努力なしにアクション中心のワークフローグラフを構築し、実行し、進化させるエンドツーエンドシステムであるGraphMindを提案する。 システムは3段階で動作する。 まず、スケーラブルなオフラインパイプラインは、大量の人間の解像度トレースから構造化されたワークフローグラフを抽出し、問題やアクション、それらの因果関係をキャプチャする。 第二に、オンラインマルチエージェントトラバーサルエンジンがグラフをナビゲートしてワークフローを動的に構築し実行し、グラフ誘導検索とLCM駆動推論を各ステップで組み合わせる。 第三に、適応的トラバーサル強化(ATR)は、成功したトラバーサルパスを強化し、古い元素を崩壊させる。 この閉ループ機構により、グラフは自己最適化され、動作条件のシフトに適応できる。 GraphMindはインシデント調査のために、4つのプロダクションクラウドデータベースサービスにデプロイされている。 このシステムは生産データに基づいて評価され、ブラインドエキスパートレビューで4.95/5と評価され、緩和リーチ、グラウンドドネス、診断スループットにおいてTrace-RAGベースラインを大幅に上回っている。 ATRレイヤは、ワークフローグラフが実行由来のフィードバックから学び、改善できることを実証して、すべてのメトリクスに対してさらなる利益を提供する。

関連論文リスト

• GraphTrafficGPT: Enhancing Traffic Management Through Graph-Based AI Agent Coordination [0.8999666725996978]
  GraphTrafficGPTは、有向グラフのノードとエッジとしてタスクと依存関係を表現し、効率的な並列実行と動的リソース割り当てを可能にする。 Brain Agentは、ユーザクエリを分解し、最適化された依存グラフを構築し、データ検索、分析、可視化、シミュレーションのための特別なエージェントのネットワークを調整する。 実験の結果,GraphTrafficGPTはトークン消費量を50.2%削減し,平均応答遅延を19.0%削減した。
  論文  参考訳（メタデータ） (2025-07-17T19:41:09Z)
• GraphEdge: Dynamic Graph Partition and Task Scheduling for GNNs Computing in Edge Network [5.027047552301203]
  効率的なGNNベースのエッジコンピューティングアーキテクチャであるGraphEdgeを提案する。 GNNタスクのECシステムは、ユーザ間の関連性があり、近隣のタスクデータを考慮する必要がある。 最適化されたグラフレイアウトに基づいて,提案した深部強化学習(DRL)に基づくグラフオフロードアルゴリズム(DRLGO)を実行する。
  論文  参考訳（メタデータ） (2025-04-22T13:45:13Z)
• Research on the Application of Spark Streaming Real-Time Data Analysis System and large language model Intelligent Agents [1.4582633500696451]
  本研究では、ビッグデータ環境におけるリアルタイムデータ分析システムを強化するために、Agent AIとLangGraphの統合について検討する。 提案したフレームワークは、静的で非効率なステートフル計算の限界を克服し、人間の介入の欠如を克服する。 システムアーキテクチャにはApache Spark Streaming、Kafka、LangGraphが組み込まれ、高性能な感情分析システムを構築する。
  論文  参考訳（メタデータ） (2024-12-10T05:51:11Z)
• LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
  GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。 GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。 得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• A Versatile Graph Learning Approach through LLM-based Agent [33.37921145183175]
  LLMに基づくエージェントを用いた多目的グラフ学習手法を提案する。 多様なプロファイル,ツール,機能,人間体験を備えたLCMエージェントを複数開発する。 多様なタスクやグラフを評価することで、エージェントの正しい結果と同等の性能が提案手法の汎用性を示している。
  論文  参考訳（メタデータ） (2023-09-08T19:34:29Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Dynamic Graph Representation Learning via Graph Transformer Networks [41.570839291138114]
  動的グラフ変換器 (DGT) を用いた動的グラフ学習手法を提案する。 DGTは、グラフトポロジを効果的に学習し、暗黙のリンクをキャプチャするための時空間符号化を持つ。 DGTはいくつかの最先端のベースラインと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-19T21:44:23Z)

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。