Fugu-MT 論文翻訳(概要): A Unified Framework for Runtime Verification and Model-Based Diagnosis in LOLA

論文の概要: A Unified Framework for Runtime Verification and Model-Based Diagnosis in LOLA

arxiv url: http://arxiv.org/abs/2606.23720v1
Date: Thu, 18 Jun 2026 17:00:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-24 22:16:48.56662
Title: A Unified Framework for Runtime Verification and Model-Based Diagnosis in LOLA
Title（参考訳）: LOLAにおける実行時検証とモデルベース診断のための統一フレームワーク
Authors: Raik Hipler, Martin Leucker, Patrick Rodler,
Abstract要約: 本稿では,ストリーム仕様言語LOLAのランタイム検証とモデルベース診断を統合する統合フレームワークを提案する。システム記述、コンポーネント状態、観察を単一のストリームベースのフォーマリズムにエンコードすることで、独立したツールチェーンを必要とせずに、障害検出と並行して、継続的かつオンラインな障害ローカライゼーションが可能になる。
参考スコア（独自算出の注目度）: 8.258451067861932
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present an integrated framework that unifies runtime verification and model-based diagnosis within the stream specification language LOLA. By encoding system descriptions, component health states, and observations into a single stream-based formalism, the approach enables continuous, online fault localization directly alongside fault detection, without requiring separate toolchains. The framework supports both time-invariant and transient faults, and naturally accommodates nondeterministic observations.
Abstract（参考訳）: 本稿では,ストリーム仕様言語LOLAのランタイム検証とモデルベース診断を統合する統合フレームワークを提案する。システム記述、コンポーネント状態、観察を単一のストリームベースのフォーマリズムにエンコードすることで、独立したツールチェーンを必要とせずに、障害検出と並行して、継続的かつオンラインな障害ローカライゼーションが可能になる。このフレームワークは時間不変の断層と過渡的な断層の両方をサポートし、非決定論的観測を自然に許容する。

関連論文リスト

Tracking the Truth: Object-Centric Spatio-Temporal Monitoring for Video Large Language Models [154.39583176906893]
大規模言語モデル(ML)は高度な理解を持ち、シーンにおける幻覚の傾向が高い。これは、時間的モニタリングの失敗、オブジェクトの動的アイデンティティ、状態、そして時間とともに関係を永続的に追跡する能力に起因している、と我々は主張する。既存のベンチマークでは、局所的な視覚的手がかりや統計的先行によってしばしば解決される1つの最終回答クエリに頼って、この欠陥を曖昧にしている。
論文参考訳（メタデータ） (2026-05-09T14:32:36Z)
Conditional Attribution for Root Cause Analysis in Time-Series Anomaly Detection [13.555771273974697]
本稿では,文脈的に類似したシステム状態に対する異常を記述した条件属性フレームワークを提案する。本手法は,異常観測を条件とした代表例を検索し,依存関係の保存と運用上の意味のある説明を可能にする。 SWaTとベンチマークの実験により、提案手法は複数の異常検出モデルにおける根本原因同定精度、時間的局所化、ロバスト性を一貫して改善することを示した。
論文参考訳（メタデータ） (2026-04-19T21:01:52Z)
Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
論文参考訳（メタデータ） (2026-04-14T19:32:55Z)
An Extended Consent-Based Access Control Framework: Pre-Commit Validation and Emergency Access [0.0]
コンセントベースアクセスコントロール(Consent-Based Access Control, CBAC)は、現代の医療情報システムにおいて患者の自律性を強化するための基礎的なメカニズムである。本稿では,アクセス評価中にではなく,同意作成時に意味的正当性を強制する拡張CBACフレームワークを提案する。
論文参考訳（メタデータ） (2026-03-07T02:55:00Z)
Toward Guarantees for Clinical Reasoning in Vision Language Models via Formal Verification [12.60121003165514]
ヴィジュアル言語モデル(VLM)は放射線学レポートの起草において有望であるが、しばしば論理的矛盾に悩まされる。標準的な語彙測度は、臨床パラフレージングを強く罰し、これらの誘因的障害を捉えるのに失敗する。本稿では,VLMレポートの内部一貫性を決定的に監査するニューロシンボリック検証フレームワークを提案する。
論文参考訳（メタデータ） (2026-02-27T15:49:59Z)
Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文参考訳（メタデータ） (2025-04-21T04:56:47Z)
A Sparse Bayesian Learning for Diagnosis of Nonstationary and Spatially Correlated Faults with Application to Multistation Assembly Systems [3.4991031406102238]
本稿では,空間的に相関したスパースベイズ学習(CSSBL)をクラスタリングする新しい故障診断手法を提案する。提案手法の有効性は,実際の自己体組立システムを用いた数値および実世界のケーススタディによって検証される。提案手法の一般化により,コミュニケーションや医療システムなど他の領域の故障診断に応用できる。
論文参考訳（メタデータ） (2023-10-20T23:56:53Z)
System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文参考訳（メタデータ） (2022-08-30T20:16:17Z)
Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文参考訳（メタデータ） (2022-06-30T06:00:13Z)

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。