論文の概要: SDVDiag: Multimodal Causal Discovery for Online Diagnosis in Software-defined Vehicles
- arxiv url: http://arxiv.org/abs/2606.15559v1
- Date: Sun, 14 Jun 2026 02:54:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.693221
- Title: SDVDiag: Multimodal Causal Discovery for Online Diagnosis in Software-defined Vehicles
- Title（参考訳）: SDVDiag: ソフトウェア定義自動車におけるオンライン診断のためのマルチモーダル因果発見
- Abstract要約: SDVDiagはマルチモーダル因果発見パイプラインで、ログベースおよびメトリックベースのサービス表現を共有埋め込みスペースに融合する。
本稿では,ログベースおよびメトリックベースのサービス表現を共有埋め込み空間に融合したマルチモーダル因果探索パイプラインであるSDVDiagを提案する。
- 参考スコア（独自算出の注目度）: 0.35232085374661287
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The transition toward software-defined vehicles concentrates an increasing share of vehicle functionality into distributed software services, where failures propagate through service dependencies and the surface symptom is often several causal hops away from the underlying defect. Existing approaches to causal root-cause analysis in such systems address this only partially: they typically reason over a single observability modality and operate in an offline, operator-driven mode that does not match the demands of continuous vehicle operation. This paper presents SDVDiag, a multimodal causal-discovery pipeline that fuses log-based and metric-based service representations into a shared embedding space before graph construction, coupled with an anomaly-driven trigger that converts the diagnostic platform from a manually operated batch tool into a continuously running online system. Evaluation on an Autonomous Valet Parking testbed shows that the multimodal pipeline produces sparser causal graphs than a metrics-only baseline (134 vs. 182 edges on average) and consistently outperforms it in edge-weighted reward against an expert knowledge graph at every stage of human-feedback refinement, showing a 2.4-fold improvement over the baseline after 60 feedback queries. An end-to-end fault-injection scenario further demonstrates that the integrated trigger correctly recovers a true root cause located two causal hops upstream of the observable symptom.
- Abstract（参考訳）: ソフトウェア定義車両への移行は、サービス依存関係を通じて障害が伝播し、表面症状が根底にある欠陥から離れていくつかの因果ホップとなる分散ソフトウェアサービスへの、車両機能のシェアの増大に集中する。
このようなシステムにおける因果根因解析への既存のアプローチは、この問題に部分的に対処するだけであり、通常は単一の可観測性モダリティを推論し、連続的な車両運行の要求に合わないオフラインのオペレータ駆動モードで運用する。
本稿では,グラフ構築前にログベースおよびメトリックベースのサービス表現を共有埋め込み空間に融合するマルチモーダル因果発見パイプラインであるSDVDiagと,手動で操作したバッチツールから連続的に動作するオンラインシステムに変換する異常駆動トリガについて述べる。
自律的なValet Parkingテストベッドの評価によると、マルチモーダルパイプラインはメトリクスのみのベースライン(平均で134対182エッジ)よりもスペーサー因果グラフを生成しており、フィードバッククエリ60の後にベースラインよりも2.4倍改善されている。
エンドツーエンドのフォールトインジェクションシナリオでは、統合トリガーが観測可能な症状の上流に2つの因果ホップがある真の根本原因を正しく回復することを示した。
関連論文リスト
- TRAJDEBUG: Tracing Error Lifecycle to Identify Critical Failures in Long-Horizon Agent Trajectories [48.638067300108276]
臨界エラー検出は、最終失敗の原因となる軌道上の最初期のエラーステップを見つけることを目的としている。
長い軌道は、ステップを判断する証拠は遠方の指示、観察、事前の文脈に散らばっているため、個々のエラーを特定するのを困難にしている。
長距離エラー検出に対処するエラーライフサイクルトレースフレームワークであるTraj Debugを提案する。
論文 参考訳（メタデータ） (2026-08-06T17:51:20Z) - Can Large Language Models Generate Observability-Aware Code? [51.30941152293301]
本稿では,エージェント生成システムにおける可観測性に関する系統的研究を行う。
その結果,ソースレベルでの診断的セマンティクスと実行時の障害信号との間には,一貫したギャップがあることが判明した。
本稿では,診断的意味論と故障信号暴露の両方を改善するためのガイダンスとして,可観測性指向のスキルを導入する。
論文 参考訳（メタデータ） (2026-07-07T03:20:52Z) - Fail2Drive: Benchmarking Closed-Loop Driving Generalization [24.431701691830046]
Fail2Driveは、CARLAで一般化された最初のペアルートベンチマークである。
各シフトした経路は、分配されていない経路と一致し、シフトの効果を分離し、定性的障害を診断に変換する。
我々の分析では、LiDARではっきりと見える物体を無視したり、自由空間と占有空間の基本的な概念を学べなかったり、予期せぬ失敗モードを明らかにした。
論文 参考訳（メタデータ） (2026-04-09T17:59:18Z) - SDVDiag: Using Context-Aware Causality Mining for the Diagnosis of Connected Vehicle Functions [0.35232085374661287]
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。
論文 参考訳（メタデータ） (2026-04-03T18:50:25Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - AgentTrace: Causal Graph Tracing for Root Cause Analysis in Deployed Multi-Agent Systems [0.0]
本稿では,デプロイされたマルチエージェントAIシステムにおけるポストホック障害診断のための軽量因果トレースフレームワークであるAgentTraceを紹介する。
AgentTraceは、実行ログから因果グラフを再構築し、エラー発生から後方にトレースし、解釈可能な構造信号と位置信号を使って候補根本原因をランク付けする。
この結果から,因果トレースはエージェントシステムの信頼性と信頼性を向上させるための実践的な基盤となることが示唆された。
論文 参考訳（メタデータ） (2026-03-16T00:46:44Z) - 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) - InspectCoder: Dynamic Analysis-Enabled Self Repair through interactive LLM-Debugger Collaboration [71.18377595277018]
大きな言語モデル(LLM)は、診断が難しい複雑なロジックエラーを伴うバグの多いコードを生成することが多い。
対話型デバッガ制御による動的解析を LLM に委ねる初のエージェントプログラム修復システムである InspectCoder を提案する。
論文 参考訳（メタデータ） (2025-10-21T06:26:29Z) - 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) - Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。
25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。
私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
論文 参考訳（メタデータ） (2025-10-01T07:59:03Z) - 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)
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。