論文の概要: LMT: A Bayesian Framework for Causal Discovery from Textual Alarm Records in Manufacturing Systems
- arxiv url: http://arxiv.org/abs/2606.09892v1
- Date: Wed, 03 Jun 2026 19:42:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:58.019155
- Title: LMT: A Bayesian Framework for Causal Discovery from Textual Alarm Records in Manufacturing Systems
- Title（参考訳）: LMT:製造システムにおけるテキストアラーム記録からの因果発見のためのベイズ的枠組み
- Authors: Xiaofeng Xiao, Jianhong Chen, Qiuzhuang Sun, Naichen Shi, Xubo Yue,
- Abstract要約: 我々は,エンジニアリングイベントデータのためのベイズ的因果発見フレームワークである textbfLMT を提案する。
提案するフレームワークは,さまざまな設定で有効であり,特に小型のアラームイベントシナリオでは有利である。
- 参考スコア（独自算出の注目度）: 6.796312765173858
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Textual event records, such as alarm logs, have become an increasingly common data source in engineering and manufacturing systems. Beyond identifying correlations or recurring patterns, engineers are often interested in understanding which types of events causally trigger or influence other events during system operation. Textual event descriptions may contain semantic clues about such causal relationships, and recent large language models (LLMs) provide a promising tool for extracting these signals. However, relying solely on LLM-encoded textual information is insufficient for accurate causal discovery, since semantic patterns do not directly reveal causal mechanisms and may confuse causation with correlation or frequent sequential patterns. To address these challenges, we propose \textbf{LMT}, a Bayesian causal discovery framework for engineering event data that jointly leverages textual descriptions and timestamps. Specifically, LMT first uses LLMs to extract semantic causal signals from event descriptions and constructs a prior distribution over causal graphs among event types or event clusters. It then incorporates temporal evidence through a Poisson-process-based likelihood, allowing the LLM-informed prior to be refined by timestamp-based statistical evidence. By integrating the textual and temporal information, LMT produces a causal graph that is both interpretable and data-supported. Simulation studies show that the proposed framework is effective across different settings and is especially advantageous in small-sample alarm-event scenarios.
- Abstract（参考訳）: アラームログなどのテキストイベント記録は、エンジニアリングや製造システムにおいて、ますます一般的なデータソースになっている。
相関関係や繰り返しパターンの識別以外にも、システム運用中の他のイベントを因果的にトリガーまたは影響するイベントの種類を理解することに関心がある。
テキストイベント記述には、そのような因果関係に関する意味的な手がかりが含まれており、最近の大規模言語モデル(LLM)は、これらの信号を抽出するための有望なツールを提供する。
しかし、意味的パターンは因果的メカニズムを直接明らかにせず、相関や頻繁な連続的なパターンと因果関係を混同する可能性があるため、正確な因果的発見にはLLM符号化のテキスト情報のみに依存することは不十分である。
これらの課題に対処するために,テキスト記述とタイムスタンプを併用した,エンジニアリングイベントデータのためのベイズ的因果発見フレームワークである‘textbf{LMT}’を提案する。
具体的には、LMTはまずLLMを使用して、イベント記述から意味因果信号を抽出し、イベントタイプやイベントクラスタ間の因果グラフ上の事前分布を構築する。
その後、ポアソン過程に基づく可能性を通じて時間的証拠を組み込んでおり、LCMにインフォームされた前はタイムスタンプに基づく統計的証拠によって洗練される。
テキスト情報と時間情報を統合することで、LMTは解釈可能かつデータをサポートする因果グラフを生成する。
シミュレーション研究により、提案フレームワークは様々な設定で有効であり、特に小型のアラームイベントシナリオでは有利であることが示されている。
関連論文リスト
- Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。
CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-06-09T09:09:07Z) - TimelineReasoner: Advancing Timeline Summarization with Large Reasoning Models [54.737142557469916]
我々は、タイムラインの要約を静的生成からアクティブな推論駆動プロセスに移行するフレームワークであるTimelineReasonerを提案する。
タイムラインの精度,カバレッジ,コヒーレンスの観点から,TimelineReasoner は既存の LLM ベースのTLS 手法よりも優れていることを示す。
この作業はTLSの境界を推し進めるだけでなく、タイムラインの要約のためのLRMベースの推論フレームワークの幅広い可能性を強調している。
論文 参考訳（メタデータ） (2026-04-03T12:30:15Z) - Grammar of the Wave: Towards Explainable Multivariate Time Series Event Detection via Neuro-Symbolic VLM Agents [7.342421193902292]
Event Logic Tree (ELT) は言語記述と物理時系列データを橋渡しする新しい知識表現フレームワークである。
本稿では,信号の可視化からプリミティブを反復的にインスタンス化し,ERT制約下で構成する,ニューロシンボリックなVLMエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-12T03:01:48Z) - NUM2EVENT: Interpretable Event Reasoning from Numerical time-series [6.45945124018154]
本稿では,数値入力から解釈可能な構造化イベントを推論することを目的とした,数対値推論と復号化の課題を紹介する。
データ不足とセマンティックアライメントの課題に対処するために、推論対応フレームワークを提案する。
我々のモデルは、数値的な変化に対して明確に理由付け、中間的な説明を生成し、構造化された事象仮説を出力する。
論文 参考訳（メタデータ） (2025-10-24T02:57:11Z) - Not in Sync: Unveiling Temporal Bias in Audio Chat Models [59.146710538620816]
大規模音声言語モデル(LALM)は、音声理解やマルチモーダル推論にますます応用されている。
LALMにおける時間バイアスに関する最初の体系的研究を行い,その時間スタンプ予測における重要な限界を明らかにした。
論文 参考訳（メタデータ） (2025-10-14T06:29:40Z) - Causal Graph based Event Reasoning using Semantic Relation Experts [56.328115024900725]
本稿では,大規模言語モデル(LLM)が推論中の因果関係を明確に表現するための並列メカニズムとして,因果事象グラフの生成について検討する。
LLMを用いて特定の意味関係に着目した専門家をシミュレートする因果グラフ生成のための協調的アプローチを提案する。
また、説明にイベントの因果連鎖を必要とする、説明可能なイベント予測タスクも導入する。
論文 参考訳（メタデータ） (2025-06-07T20:15:45Z) - TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。
TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。
実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-02-17T04:17:27Z) - GenDFIR: Advancing Cyber Incident Timeline Analysis Through Retrieval Augmented Generation and Large Language Models [0.08192907805418582]
デジタル法医学とインシデント応答(DFIR)におけるサイバータイムライン解析の重要性
伝統的な手法は、証拠の識別と特徴抽出のためにログやメタデータのような構造化された成果物に依存している。
本稿では,大規模言語モデル(LLM)を利用したフレームワークであるGenDFIR,特にゼロショットモードのLlama 3.1 8Bについて紹介し,Retrieval-Augmented Generation (RAG)エージェントと統合する。
論文 参考訳（メタデータ） (2024-09-04T09:46:33Z) - RealTCD: Temporal Causal Discovery from Interventional Data with Large Language Model [15.416325455014462]
時間因果発見は、観察から直接変数間の時間因果関係を特定することを目的としている。
既存の手法は主に介入対象に大きく依存する合成データセットに焦点を当てている。
本稿では、ドメイン知識を活用して、介入対象のない時間的因果関係を発見できるRealTCDフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-23T06:52:40Z) - Causal schema induction for knowledge discovery [21.295680010103602]
本稿では、時間構造、事象構造、因果構造を組み合わせたテキストグラフスキーマのデータセットであるTorquestraを紹介する。
データセットを3つの知識発見タスクにベンチマークし、それぞれのモデルの構築と評価を行います。
その結果、因果構造を利用するシステムは、類似の因果的意味成分を共有するテキストを特定するのに効果的であることがわかった。
論文 参考訳（メタデータ） (2023-03-27T16:55:49Z)
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。