論文の概要: PropLLM: Propagation-Aware Scene Reconstruction for Network Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2606.00582v1
• Date: Sat, 30 May 2026 07:18:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.535815
• Title: PropLLM: Propagation-Aware Scene Reconstruction for Network Fault Diagnosis
• Title（参考訳）: PropLLM: ネットワーク障害診断のためのプロパゲーション対応シーン再構成
• Abstract要約: 本稿では,最初にホップ・バイ・ホップのシーン再構築パラダイムとLLMの生成的推論能力を統合するPropLLMを提案する。 実世界のWi-Fiマルチモーダル障害データセットでは、PropLLMは障害タイプ診断の精度を3.9%改善し、根本原因のローカライゼーションの精度は4.7%向上した。
• 参考スコア（独自算出の注目度）: 13.502332249072696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network faults propagate layer by layer along topology and protocol dependencies, yet operations systems typically observe only symptomatic alerts at the tail end of propagation chains, where distinct root-cause faults may produce highly similar end-point symptoms. Existing approaches, whether rule-based, machine learning (ML)-based, or large language model (LLM)-based, fundamentally map the alert set to a diagnosis in a single pass and are structurally incapable of resolving this end-point ambiguity. This paper proposes PropLLM, which is the first to integrate the hop-by-hop scene reconstruction paradigm with the generative reasoning capabilities of LLMs. Starting from end-point alerts, PropLLM traces back hop-by-hop along the propagation path, retrieving verifiable factual evidence from a dual-layer knowledge graph (KG) at each hop, while the proposed Temporal Causal Propagation Attention (TCPA) mechanism encodes known topological causal priors directly into the attention computation to guide the model along the correct causal direction, ultimately localizing the root cause and determining the fault type through a fully evidenced causal chain. On a real-world Wi-Fi multimodal fault dataset, PropLLM improves fault type diagnosis accuracy by 3.9\% and root cause localization accuracy by 4.7\% over the strongest baseline, while reducing the hallucination rate by 50.8\%. Supplementary experiments on the TeleLogs 5G dataset further demonstrate the effectiveness of the proposed method across different network scenarios.
• Abstract（参考訳）: ネットワークの障害はトポロジやプロトコルの依存関係に沿って層によって伝播するが、運用システムは一般的には伝播チェーンの尾端でシンプトティックな警告のみを観測する。 既存のアプローチでは、ルールベース、機械学習(ML)ベース、あるいは大規模言語モデル(LLM)ベースで、アラートセットを単一のパスの診断に根本的にマッピングし、このエンドポイントの曖昧さを解決できない構造になっている。 本稿では,最初にホップ・バイ・ホップのシーン再構築パラダイムとLLMの生成的推論能力を統合するPropLLMを提案する。 終点警告から、PropLLMは伝播経路に沿ってホップ・バイ・ホップを辿り、各ホップの二重層知識グラフ(KG)から検証可能な事実証拠を回収する一方、提案された時間的因果伝播注意(TCPA)メカニズムは、既知の位相的因果関係を注意計算に直接エンコードし、正しい因果方向に沿ってモデルを誘導し、最終的に根本原因を局所化し、完全に証明された因果連鎖を通して断層タイプを決定する。 実世界のWi-Fiマルチモーダルフォールトデータセットでは、PropLLMは障害タイプ診断の精度を3.9\%改善し、根の局所化の精度を4.7\%向上させ、幻覚率を50.8\%低下させる。 TeleLogs 5Gデータセットの補助的な実験により、提案手法が様々なネットワークシナリオで有効であることを示す。

関連論文リスト

• DCFA: Dual-view Causal-inspired Attribution for Failure Reasoning in LLM-based Multi-agent Systems [61.11435469308521]
  大規模言語モデルシステムにおける障害帰属のためのトレーニング不要フレームワークDCFAを提案する。 DCFAは、システムトレースから構造化因果インスパイアされた依存性グラフを構築するグローバルモジュールを統合する。 実験の結果、DCFAは最先端のベースラインよりもステップレベルの精度を最大8.27%向上することが示された。
  論文  参考訳（メタデータ） (2026-09-04T05:29:31Z)
• How Far Can Root Cause Analysis Go on Real-World Telemetry Data? [0.8594140167290097]
  従来の因果探索法や既存のLLMベースのマルチエージェントシステムでは根本原因を確実に特定できないことを示す。 本稿では,既存のLLMベースおよび古典的ベースラインを著しく上回る構造的マルチエージェントRCAパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-07-15T07:54:46Z)
• SCOPE: A Syndrome-Driven Control Plane for QEC-Enabled Quantum Networks [7.746657732894142]
  純受動テレメトリを用いた共同ルーティングと符号化最適化を実現するネットワーク層アーキテクチャSCOPEを提案する。 SCOPEは、標準EMベースラインに対する推定誤差を60%以上削減する。 大規模ネットワークでは、この精度はトポロジーを意識したベースラインに対して論理誤差率を30～35%(最大65%)削減する。
  論文  参考訳（メタデータ） (2026-06-07T23:00:09Z)
• VerifyMAS: Hypothesis Verification for Failure Attribution in LLM Multi-Agent Systems [79.51005192758262]
  大規模言語モデル駆動型マルチエージェントシステムは複雑なタスクで優れている。 しかし、信頼性の低いエージェントは、システムレベルの信頼性にとって重要なボトルネックである。 本稿では,エージェント故障の帰属に関する仮説検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-17T14:09:35Z)
• TopoEvo: A Topology-Aware Self-Evolving Multi-Agent Framework for Root Cause Analysis in Microservices [10.602349579405832]
  根本原因分析(RCA)はノイズや異種多モード可観測性のために困難である。 近年のLCMをベースとしたRCAエージェントは、ツールグラウンドによる説明を生成できるが、トポロジーに依存しないことが多い。 グラフ表現学習を構造化されたトポロジ制約推論と組み合わせたトポロジ対応の自己進化型マルチエージェントである textbfTopoEvo を提案する。
  論文  参考訳（メタデータ） (2026-05-15T04:45:44Z)
• Peak-Detector: Explainable Peak Detection via Instruction-Tuned Large Language Models in Physiological Sign [11.440086398117318]
  Peak-Detectorは、堅牢でクロスモーダルで説明可能なピーク検出のための新しいフレームワークである。 中心となるイノベーションは、時系列データを凝縮形式に変換する"ピークモード"技術である。 Peak-Detectorは、4つのモードにわたる強力なクロス表現性能を示す。
  論文  参考訳（メタデータ） (2026-05-15T04:08:00Z)
• HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation [11.108171977551619]
  HiFiNetは、無線ネットワークのための階層的な障害識別フレームワークである。 局所時間パターンとネットワーク全体の空間依存性の両方をキャプチャすることで、より正確な予測を行う。 既存の手法の精度、F1スコア、精度を著しく上回っている。
  論文  参考訳（メタデータ） (2025-11-06T16:15:19Z)
• Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
  大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。 我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:35:37Z)
• MicroRCA-Agent: Microservice Root Cause Analysis Method Based on Large Language Model Agents [12.160412894251406]
  MicroRCA-Agentは、大規模な言語モデルエージェントに基づいたマイクロサービスの根本原因分析のための革新的なソリューションである。 提案したソリューションは、複雑なマイクロサービス障害シナリオにおいて優れたパフォーマンスを示し、最終的なスコアは50.71である。
  論文  参考訳（メタデータ） (2025-09-19T05:57:03Z)
• FaultExplainer: Leveraging Large Language Models for Interpretable Fault Detection and Diagnosis [7.161558367924948]
  本稿では,テネシー・イーストマン・プロセス(TEP)における障害検出,診断,説明の改善を目的とした対話型ツールであるFactExplainerを提案する。 FaultExplainerは、リアルタイムセンサデータ可視化、主成分分析(PCA)に基づく障害検出、および大規模言語モデル(LLM)を利用した対話型ユーザインタフェースにおける上位コントリビューション変数の識別を統合する。 2つのシナリオでLLMの推論能力を評価する。1つは歴史的根本原因が提供される場合であり、もう1つは以前に見つからなかった障害の課題を模倣しない場合である。
  論文  参考訳（メタデータ） (2024-12-19T03:35:06Z)
• 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)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)

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。