論文の概要: CogGuard: Cognitive and Operational Profiling for Proactive Warning in Edge Intelligent Services

• arxiv url: http://arxiv.org/abs/2606.15199v1
• Date: Sat, 13 Jun 2026 08:47:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.049656
• Title: CogGuard: Cognitive and Operational Profiling for Proactive Warning in Edge Intelligent Services
• Title（参考訳）: CogGuard:エッジインテリジェントサービスにおけるアクティブ警告のための認知的および操作的プロファイリング
• Authors: Zhi Yao, Weihao Chen, Zhiqing Tang, Hanshuai Cui, Qianli Ma, Weijia Jia, Wei Zhao,
• Abstract要約: エッジインテリジェントサービスのためのプロアクティブ警告フレームワークであるCogGuardを提案する。 CogGuardは、オンラインのSmall Language Model(SLM)ベースのスコア予測から、オフラインのLLMベースのプロファイル構築を分離する。 実験の結果、CogGuardはプロファイル構築時間を最大48%削減し、微調整時間を19%短縮した。
• 参考スコア（独自算出の注目度）: 13.919915237984036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proactive warning is an important capability for edge intelligent services, where the system predicts whether a subject will successfully complete an incoming task under strict latency and privacy constraints. Such prediction depends on both long-term static attributes and short-term dynamic states derived from historical interaction logs. Recent Large Language Models (LLMs) offer strong long-context reasoning for constructing structured profiles from these logs, but existing solutions face two challenges for edge deployment: (1) profiling methods are typically domain-specific and lack a reusable abstraction across service scenarios, and (2) fine-tuning alignment models on heterogeneous edge clusters incurs high synchronization overhead due to the variance in input sequence lengths. To address these challenges, we propose CogGuard, a proactive-warning framework for edge intelligent services. CogGuard decouples offline LLM-based profile construction from online Small Language Model (SLM)-based score prediction through a shared static-dynamic profile-to-score pipeline, and instantiates it in two representative scenarios: educational performance warning and operational task outcome warning. For efficient profile construction, we design scenario-specific profiling methods with prefix-aligned KV-cache reuse to reduce repeated encoding overhead. For edge-side model alignment, we propose a length-aware distributed fine-tuning strategy with contrastive regularization to mitigate workload imbalance on heterogeneous clusters. Experiments on education and operation datasets show that CogGuard reduces profile construction time by up to 48% and distributed fine-tuning time by 19%, while achieving MAEs of 13.4 and 5.9, respectively, on 100-point-scale warning tasks. In the largest educational setting, CogGuard reduces prediction error by 15.4% compared with the strongest baseline.
• Abstract（参考訳）: システムは、厳格なレイテンシとプライバシの制約の下で、被験者が入ってくるタスクを正常に完了するかどうかを予測する。 このような予測は、歴史的相互作用ログから得られた長期的な静的属性と短期的な動的状態の両方に依存する。 最近のLarge Language Models(LLMs)は、これらのログから構造化プロファイルを構築するための強力なロングコンテキスト推論を提供するが、既存のソリューションでは、エッジデプロイメントの2つの課題に直面している。 これらの課題に対処するため、エッジインテリジェントサービスのための積極的な警告フレームワークであるCogGuardを提案する。 CogGuardは、オンラインのSmall Language Model(SLM)ベースのスコア予測からオフラインのLLMベースのプロファイル構築を分離し、共有された静的な動的プロファイル-スコアパイプラインを通じて、教育パフォーマンス警告と運用タスク結果警告の2つの代表的なシナリオでインスタンス化する。 効率的なプロファイル構築のために,プレフィックス整列KV-cacheを再利用したシナリオ固有プロファイリング手法を設計し,繰り返し符号化オーバヘッドを低減する。 エッジ側モデルアライメントのために、異種クラスタにおけるワークロードの不均衡を軽減するために、コントラスト正規化を伴う長さ対応分散微調整戦略を提案する。 教育と運用データセットの実験では、100ポイント規模の警告タスクにおいて、CogGuardはプロファイル構築時間を最大48%削減し、微調整時間を19%短縮し、それぞれ13.4と5.9のMAEを達成している。 最大の教育環境では、CogGuardは最強のベースラインに比べて予測誤差を15.4%削減している。

関連論文リスト

• CoMIC: Collaborative Memory and Insights Circulation for Long-Horizon LLM Agents in Cloud-Edge Systems [23.892901534769067]
  エッジサーバ上の軽量大規模言語モデル(LLM)エージェントは、レイテンシを低減し、エージェントサービスをユーザに近づける。 デプロイ後の微調整エッジモデルはコストが高く、異種ノードをまたいでスケールすることが難しい。 我々は,コラボレーティブメモリと循環インサイトのためのパラメータ更新不要なクラウドエッジフレームワークであるtextscCoMICを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:45:39Z)
• Graph-RHO: Critical-path-aware Heterogeneous Graph Network for Long-Horizon Flexible Job-Shop Scheduling [26.97705087364345]
  Graph-RHOは、新しいクリティカルパス対応グラフベースのRHOフレームワークである。 マルチリレーショナルエッジを持つ演算マシングラフとしてサブプロブレムを符号化するトポロジ対応ヘテロジニアスグラフネットワークを提案する。 トレーニング中に誘導バイアスを注入し、高感度なボトルネック操作とロバストな操作を区別するクリティカルパス認識機構を組み込んだ。
  論文  参考訳（メタデータ） (2026-04-11T07:35:09Z)
• TraceSafe: A Systematic Assessment of LLM Guardrails on Multi-Step Tool-Calling Trajectories [20.868825285848196]
  安全ガードレールは、自然言語の応答には適しているが、その有効性は、多段階のツール使用軌跡の中では明らかにされていない。 このギャップに対処するために、中間軌道安全性を評価するために特別に設計された最初の包括的なベンチマークであるStructureSafe-Benchを紹介します。
  論文  参考訳（メタデータ） (2026-04-08T15:46:14Z)
• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• Model Specific Task Similarity for Vision Language Model Selection via Layer Conductance [92.72779885657373]
  本稿では,視覚エンコーダの内部関数力学におけるモデル選択の基盤となるフレームワークを提案する。 提案手法は,各タスクをレイヤワイドコンダクタンスにより表現し,エントロピー正規化アライメントによる目標条件付きブロック重要度分布を導出する。 そこで本研究では,DCD(Directional Conductance Divergence)という,ソースタスクが対象の機能ブロックをいかに効果的にカバーするかを定量化する非対称な指標を提案する。
  論文  参考訳（メタデータ） (2026-02-01T17:29:43Z)
• SCOPE: Prompt Evolution for Enhancing Agent Effectiveness [53.75986399936395]
  大規模言語モデル(LLM)エージェントは、大規模で動的なコンテキストを生成する環境にますますデプロイされている。 エージェントはこのコンテキストにアクセスできますが、静的なプロンプトには効果的に管理するメカニズムがありません。 textbfSCOPE (Self-evolving Context Optimization via Prompt Evolution) を導入する。 本稿では,戦術的特異性(即時誤りの解消)と戦略的汎用性(長期原則の進化)のバランスをとるデュアルストリーム機構を提案する。
  論文  参考訳（メタデータ） (2025-12-17T12:25:05Z)
• A Vision-Language Pre-training Model-Guided Approach for Mitigating Backdoor Attacks in Federated Learning [43.847168319564844]
  視覚言語事前学習モデルのゼロショット学習機能を利用したFLバックドアディフェンスフレームワークCLIP-Fedを提案する。 本計画では, 防衛効果に課される非IIDの限界を克服し, 事前集約・後防衛戦略を統合する。
  論文  参考訳（メタデータ） (2025-08-14T03:39:54Z)
• TAPT: Test-Time Adversarial Prompt Tuning for Robust Inference in Vision-Language Models [53.91006249339802]
  視覚的対人攻撃に対するCLIPの推論ロバスト性を高めるため, TAPT(Test-Time Adversarial Prompt Tuning)と呼ばれる新しい防御手法を提案する。 TAPTは、CLIPの推論プロセスを堅牢化するために、防御的バイモーダル(テキストと視覚)のプロンプトを学習するテストタイムディフェンス手法である。 我々は、ImageNetなど10のゼロショットデータセットを含む11のベンチマークデータセットに対するTAPTの有効性を評価する。
  論文  参考訳（メタデータ） (2024-11-20T08:58:59Z)
• Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
  そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。 自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。 筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
  論文  参考訳（メタデータ） (2024-07-11T10:35:53Z)
• Characterizing the Optimal 0-1 Loss for Multi-class Classification with a Test-time Attacker [57.49330031751386]
  我々は,任意の離散データセット上の複数クラス分類器に対するテスト時間攻撃の存在下での損失に対する情報理論的下位境界を求める。 本稿では,データと敵対的制約から競合ハイパーグラフを構築する際に発生する最適0-1損失を求めるための一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-02-21T15:17:13Z)

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。