論文の概要: SmartHomeSecure: Automated Detection and Repair of Smart Home Configuration Errors Using Large Language Models
- arxiv url: http://arxiv.org/abs/2607.06748v1
- Date: Tue, 07 Jul 2026 19:29:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.2018
- Title: SmartHomeSecure: Automated Detection and Repair of Smart Home Configuration Errors Using Large Language Models
- Title（参考訳）: SmartHomeSecure: 大規模言語モデルを用いたスマートホーム構成誤差の自動検出と修復
- Abstract要約: 本稿では,設定エラーの自動検出と修復のためのプロトタイプであるSmartHomeSecureを提案する。
このシステムは、UI Shell、Feature Orchestrator、Domain Engine、Integration Layerという4つのレイヤでモジュール化されたWebアプリケーションとして実装されている。
3つのモデルで100%エラー検出精度が達成され、成功率は87%から93%であった。
- 参考スコア（独自算出の注目度）: 12.096717905785779
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Smart home automation platforms increasingly rely on user-authored YAML configuration files to define device behaviors, but these files are prone to syntax, formatting, and semantic logic errors that can cause automation failures and safety risks. Existing YAML validators, static analysis tools, and general-purpose large language models offer limited support for end-to-end diagnosis and repair because they lack domain-specific understanding and validated correction workflows. This paper presents SmartHomeSecure, a prototype for automated detection and repair of Home Assistant configuration errors using lightweight program analysis and constraint-guided large language model generation. SmartHomeSecure parses YAML files, detects syntactic and common semantic errors, normalizes error context, applies deterministic auto-fixes for routine defects, and constructs constrained prompts that guide LLMs toward minimal and structurally valid repairs. The system is implemented as a modular web application with four layers: UI Shell, Feature Orchestrator, Domain Engine, and Integration Layer. Its repair pipeline was evaluated on 100 real-world Home Assistant YAML files with manually injected errors across five categories: syntax/parsing, indentation, mapping, sequence, and scalar quoting errors. Four models were tested: gpt-oss-20b, gpt-oss-120b, llama-3.1-8b, and llama-3.3-70b. Results show that three models achieved 100% error detection accuracy, with repair success rates ranging from 87% to 93%. Manual verification found no hallucinated or incorrect repairs among successful outputs. These findings suggest that combining domain-aware program analysis with constrained generative AI is a feasible approach for improving the reliability and usability of smart home configuration repair.
- Abstract（参考訳）: スマートホームオートメーションプラットフォームは、デバイス動作を定義するために、ユーザによるYAML構成ファイルにますます依存していますが、これらのファイルは、自動化の失敗と安全性のリスクを引き起こす可能性のある構文、フォーマット、セマンティックロジックエラーの傾向があります。
既存のYAMLバリデータ、静的解析ツール、汎用の大規模言語モデルは、ドメイン固有の理解と検証済みの修正ワークフローが欠如しているため、エンドツーエンドの診断と修復を限定的にサポートする。
本稿では,軽量プログラム解析と制約付き大言語モデル生成を用いたHome Assistant設定エラーの自動検出と修正のプロトタイプであるSmartHomeSecureを提案する。
SmartHomeSecureはYAMLファイルを解析し、構文的および一般的なセマンティックエラーを検出し、エラーコンテキストを正規化し、ルーチン欠陥に決定論的自動修正を適用し、LLMを最小限かつ構造的に有効な修復へと導く制約付きプロンプトを構築する。
このシステムは、UI Shell、Feature Orchestrator、Domain Engine、Integration Layerという4つのレイヤでモジュール化されたWebアプリケーションとして実装されている。
その修復パイプラインは、構文/パーシング、インデント、マッピング、シーケンス、スカラークォーティングエラーという5つのカテゴリで手動でエラーを注入する実世界のHome Assistant YAMLファイル100で評価された。
gpt-oss-20b、gpt-oss-120b、llama-3.1-8b、llama-3.3-70bの4つのモデルが試験された。
その結果、3つのモデルが100%エラー検出精度を達成し、修理成功率は87%から93%であった。
手作業による検証では、成功している出力のうち、幻覚や不正な修復は見つからなかった。
これらの結果は、スマートホーム構成修復の信頼性とユーザビリティを向上させるための、ドメイン認識プログラム分析と制約付き生成AIを組み合わせることが、実現可能なアプローチであることを示唆している。
関連論文リスト
- AgentDebugX: An Open-Source Toolkit for Failure Observability, Attribution, and Recovery in LLM Agents [83.37969790806069]
LLMエージェントのエラーは、エラーが表面化するステップが原因ではないことが多いため、デバッグが難しい。
Agent DebuggerXはオープンソースのフレームワークで、デバッグをDe Detect, Attribute, Recover, Rerunのクローズドループとして整理する。
コアとなるDeep Debuggerは、グローバルな軌跡理解を通じてマルチターン根本原因診断を行う。
論文 参考訳（メタデータ） (2026-07-21T06:21:13Z) - 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) - PracRepair: LLM-Empowered Automated Program Repair Inspired by Human-Like Debugging Practices [22.432182416621917]
textscPracRepairは、人間のようなデバッグプラクティスにインスパイアされた、完全に自動化されたプログラム修復フレームワークである。
textscPracRepairは一貫して最先端のベースラインを上回っている。
textscPracRepairはRWB(Real-World Bugs)に効果的に一般化する
論文 参考訳（メタデータ） (2026-06-16T07:18:37Z) - DeepFix: Debugging and Fixing Machine Learning Workflow using Agentic AI [0.0]
DeepFixはエージェントAIフレームワークを使用して、マシンラーニングパイプライン全体を自動テストするツールである。
私たちのテストアプローチは、まずDeepchecksを活用して、潜在的なバグに対するMLソフトウェアのテストを行い、その後、エージェントAIベースのアプローチを使用して詳細なバグレポートを生成する。
これには、見つかったバグの深刻度に基づくランキングと、その説明が含まれており、非データサイエンスの専門家によって容易に解釈できる。
論文 参考訳（メタデータ） (2026-03-14T20:00:16Z) - ErrorLLM: Modeling SQL Errors for Text-to-SQL Refinement [57.98138819417949]
テキスト・ツー・クエリを明示的にモデル化するフレームワークであるErrorLLMを提案する。
ErrorLLMは、バックボーンの初期生成よりも大幅に改善されていることを示す。
ErrorLLMは、精錬効率を維持しつつ、高い検出F1スコアで両面に対処する。
論文 参考訳（メタデータ） (2026-03-04T05:27:20Z) - 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) - Repairing Regex Vulnerabilities via Localization-Guided Instructions [6.033257307910245]
正規表現(regexes)は、正規表現拒否(ReDoS)にシステムを公開する
しかし、現在のアプローチはトレードオフによって妨げられている。
信頼性を保ちながら一般化を活用するために設計されたハイブリッド・フレームワーク、ローカライズド・リフレクション(LRR)を導入する。
論文 参考訳（メタデータ） (2025-10-10T06:15:43Z) - Where LLM Agents Fail and How They can Learn From Failures [62.196870049524364]
大規模言語モデル(LLM)エージェントは、複雑なマルチステップタスクの解決において有望であることを示す。
単一ルート原因エラーがその後の決定を通じて伝播する、障害のカスケードに対する脆弱性を増幅する。
現在のシステムは、モジュール的で体系的な方法でエージェントエラーを包括的に理解できるフレームワークを欠いている。
AgentErrorTaxonomyは、メモリ、リフレクション、計画、アクション、システムレベルの操作にまたがる障害モードのモジュール分類である。
論文 参考訳（メタデータ） (2025-09-29T18:20:27Z) - Towards Automated Error Discovery: A Study in Conversational AI [48.735443116662026]
本稿では,会話型AIにおけるエラーの検出と定義のためのフレームワークであるAutomated Error Discoveryを紹介する。
また,その実装に対するエンコーダに基づくアプローチとして,SEEED(Soft Clustering Extended-Based Error Detection)を提案する。
論文 参考訳（メタデータ） (2025-09-13T14:53:22Z) - Specification-Guided Repair of Arithmetic Errors in Dafny Programs using LLMs [79.74676890436174]
本稿では,障害の局所化と修復のためのオラクルとして形式仕様を用いたDafny用のAPRツールを提案する。
プログラム内の各ステートメントの状態を決定するために、Hoareロジックの使用を含む一連のステップを通じて、障害をローカライズします。
また, GPT-4o miniが74.18%と高い修理成功率を示した。
論文 参考訳（メタデータ） (2025-07-04T15:36:12Z) - LecPrompt: A Prompt-based Approach for Logical Error Correction with CodeBERT [28.711745671275477]
LecPromptは論理的エラーをローカライズし、修復するためのプロンプトベースのアプローチである。
CodeBERTは、コードに基づいてトレーニングされたトランスフォーマーベースの大規模言語モデルである。
Pythonでは、LecPromptが注目すべき74.58%のトップ-1トークンレベルの修復精度を達成した。
Javaでは、LecPromptは69.23%のトップ-1トークンレベルの修復精度を提供する。
論文 参考訳（メタデータ） (2024-10-10T01:56:04Z) - A Unified Debugging Approach via LLM-Based Multi-Agent Synergy [39.11825182386288]
FixAgentはマルチエージェントのシナジーによる統合デバッグのためのエンドツーエンドフレームワークである。
1.25$times$ 2.56$times$レポレベルのベンチマークであるDefects4Jのバグを修正した。
論文 参考訳（メタデータ） (2024-04-26T04:55:35Z) - GenAudit: Fixing Factual Errors in Language Model Outputs with Evidence [64.95492752484171]
GenAudit - 文書基底タスクの事実チェック LLM 応答を支援するためのツール。
GenAuditは、レファレンス文書でサポートされていないクレームを修正したり削除したりすることでLCMレスポンスを編集することを提案し、また、サポートしているように見える事実の参照から証拠を提示する。
GenAuditは、さまざまなドメインから文書を要約する際に、8つの異なるLCM出力でエラーを検出することができる。
論文 参考訳（メタデータ） (2024-02-19T21:45:55Z)
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。