論文の概要: SHACR: A Graph-Augmented Semi-Autonomous Framework for Multi-Class Conflict Resolution in Smart Home IoT Automation

• arxiv url: http://arxiv.org/abs/2606.22312v1
• Date: Sun, 21 Jun 2026 02:58:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 19:09:07.279061
• Title: SHACR: A Graph-Augmented Semi-Autonomous Framework for Multi-Class Conflict Resolution in Smart Home IoT Automation
• Title（参考訳）: SHACR: スマートホームIoT自動化におけるマルチクラス競合解決のためのグラフ強化半自動フレームワーク
• Authors: Leena Marghalani, Walid Aljoby, Suayb S. Arslan,
• Abstract要約: SHACRは、Large Language Modelの予測不能をアンロックするスマートホームコンフリクト解決フレームワークである。 デバイス、機能、物理的状態、およびTrigger-Condition-Actionルールを型付き、トラバース可能なエンティティとしてエンコードする。 脆弱なテキスト推論から決定論的マルチホップグラフへのコンフリクト検出を変換し、論理クラス、セマンティッククラス、物理コンフリクトクラスを統一する。
• 参考スコア（独自算出の注目度）: 4.817429789586127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smart home automation increasingly relies on user-defined rules across heterogeneous IoT devices. While these rules appear harmless in isolation, their concurrent execution creates hidden, cross-rule interactions via shared devices, environmental variables, and physical topology. These interactions result in unsafe, wasteful, or privacy-threatening behaviors that are completely invisible to text-only analysis. Existing conflict detectors remain siloed, catching either static syntactic conflicts or specific environment-mediated interactions without unifying the two or providing actionable repairs for non-expert users. This paper presents SHACR, a smart home conflict resolution framework that anchors Large Language Model (LLM) unpredictability by grounding its reasoning in a formal, directed knowledge graph. SHACR encodes devices, capabilities, physical states, and Trigger-Condition-Action rules as typed, traversable entities. By elevating physical cause-effect relationships to first-class graph edges, SHACR transforms conflict detection from fragile text inference into deterministic multi-hop graph traversal, unifying logical, semantic, and physical conflict classes. It drives a closed-loop Scan-Explain-Repair-Validate workflow that uses the graph to bound the LLM's action space. We evaluated SHACR on a testbed of 203 rules deployed across 70 apartments within a smart building. By holding the underlying LLM fixed and introducing SHACR's knowledge graph, classification errors drop by 36.7\%, F1 rises from 0.59 to 0.79, and few-shot calibration further lifts F1 to 0.95, whereas the same calibration barely helps a graph-free LLM. Ultimately, this work challenges the current AI paradigm, establishing that structured knowledge representation is a far more critical factor for dependable IoT automation management than prompt engineering or underlying model architecture.
• Abstract（参考訳）: スマートホームの自動化は、不均一なIoTデバイス間のユーザ定義ルールにますます依存している。 これらのルールは独立して無害に見えるが、それらの同時実行は、共有デバイス、環境変数、物理トポロジを介して、隠れた相互ルールの相互作用を生成する。 これらの相互作用は、テキストのみの分析に完全に見えない、安全でない、無駄な、あるいはプライバシーを脅かす行動をもたらす。 既存のコンフリクト検出器はサイロ状態のままであり、静的な統語的衝突や環境を介する相互作用をつかみ、これら2つを統一したり、非熟練ユーザーに対して実用的な修復を行うことなく得る。 本稿では,Large Language Model (LLM) の予測不可能性を補うスマートホームコンフリクト解決フレームワークであるSHACRについて述べる。 SHACRはデバイス、機能、物理的状態、およびTrigger-Condition-Actionルールを型付き、トラバース可能なエンティティとしてエンコードする。 SHACRは、第1級グラフエッジに対する物理的因果関係を高めることにより、脆弱なテキスト推論から競合検出を決定論的マルチホップグラフトラバーサルに変換し、論理的、意味的、物理的衝突クラスを統一する。 グラフを使用してLCMのアクション空間をバインドするクローズドループScan-Explain-Repair-Validateワークフローを駆動する。 スマートビル内の70の集合住宅に展開する203のルールの試験ベッド上でSHACRを評価した。 基礎となる LLM を固定し SHACR の知識グラフを導入することにより、分類誤差は 36.7 % 減少し、F1 は 0.59 から 0.79 に上昇し、少数ショットキャリブレーションは F1 を 0.95 に引き上げる一方、同じキャリブレーションはグラフのない LLM をほとんど役に立たない。 最終的には、この作業は現在のAIパラダイムに挑戦し、構造化された知識表現が、エンジニアリングや基盤となるモデルアーキテクチャよりも、信頼性の高いIoT自動化管理において、はるかに重要な要素であることを確立します。

関連論文リスト

• Automated Semantic Fault Localization in SysML v2: A Human-in-the-Loop Framework Using Knowledge-Graph Augmented LLMs [0.11744028458220425]
  本稿では,意味的誤りを自動的に識別し,修復するためのヒューマン・イン・ザ・ループ・フレームワークを提案する。 微調整された小言語モデル(SLM)と、システム要素間の物理的互換性ルールをコードするドメイン知識グラフを組み合わせる。 本稿では,車載システム領域を用いて,機械的,電気的,流体的,信号的インターフェース間の関係を把握した知識グラフを示す。
  論文  参考訳（メタデータ） (2026-06-22T14:20:11Z)
• Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation [53.844308305341166]
  単一パスのASRフロントエンドと意味的訂正,意図のルーティング,推論に基づく編集を組み合わせた閉ループフレームワークである textbfAgentic ASR を提案する。 複数言語、名前付き集中型、コードスイッチングベンチマークの実験は、反復的相互作用が意味的誤りを一貫して減少させることを示している。
  論文  参考訳（メタデータ） (2026-05-28T06:23:31Z)
• Explainable Autonomous Cyber Defense using Adversarial Multi-Agent Reinforcement Learning [2.0391237204597368]
  本稿では,自律型サイバー防御のための因果的マルチエージェント決定フレームワーク(C-MADF)を提案する。 C-MADFは因果モデリングと敵対的二重政治制御を統合している。 現実世界のCICIoT2023データセットでは、C-MADFは偽陽性率を11.2%、9.7%、そして8.4%と3つの最先端文献のベースラインを1.8%に下げている。
  論文  参考訳（メタデータ） (2026-04-06T05:40:43Z)
• 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)
• Cracking IoT Security: Can LLMs Outsmart Static Analysis Tools? [1.8549313085249322]
  本研究は,多カテゴリー間相互作用脅威分類におけるLarge Language Models (LLMs) の総合評価を初めて行った。 Llama 3.1 8B, Llama 70B, GPT-4o, Gemini-2.5-Pro, DeepSeek-R1を0, 1, 2ショット設定でベンチマークする。 以上の結果から, LLMは有望な意味理解を示すが, 相互構造的推論を必要とする脅威に対して, 精度は著しく低下することがわかった。
  論文  参考訳（メタデータ） (2026-01-02T04:17:36Z)
• DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents [52.92354372596197]
  大規模言語モデル(LLM)は、強力な推論と計画能力のため、エージェントシステムの中心となってきています。 この相互作用は、外部ソースからの悪意のある入力がエージェントの振る舞いを誤解させる可能性がある、インジェクション攻撃のリスクも引き起こす。 本稿では,信頼に値するエージェントシステムのための動的ルールベースの分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T05:01:09Z)
• From Objects to Events: Unlocking Complex Visual Understanding in Object Detectors via LLM-guided Symbolic Reasoning [71.41062111470414]
  現在のオブジェクト検出器は、エンティティのローカライゼーションと分類において優れているが、イベント認識機能には固有の制限がある。 本稿では,単なるオブジェクト認識以上の標準オブジェクト検出能力を,複雑なイベント理解に拡張する新しいフレームワークを提案する。 私たちの重要なイノベーションは、高価なタスク固有のトレーニングを必要とせずに、オブジェクト検出とイベント理解のセマンティックなギャップを埋めることです。
  論文  参考訳（メタデータ） (2025-02-09T10:30:54Z)

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。