論文の概要: TraceSynth: Generating Production-Quality Kernel Traces with Constraint-Guided Diffusion Models

• arxiv url: http://arxiv.org/abs/2607.12104v1
• Date: Mon, 13 Jul 2026 19:25:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.956073
• Title: TraceSynth: Generating Production-Quality Kernel Traces with Constraint-Guided Diffusion Models
• Title（参考訳）: TraceSynth:制約誘導拡散モデルによる生産品質カーネルトレースの生成
• Abstract要約: Trace Synthは、合成カーネルトレースを生成するための拡散ベースのフレームワークである。 プロダクションオブザーバビリティパイプラインにおけるカーネル実行トレースのコスト効率向上をサポートする。
• 参考スコア（独自算出の注目度）: 3.3455113324921615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models for system diagnostics rely on kernel execution traces to capture fine-grained system behavior, but collecting production traces in industrial systems is costly due to runtime overhead, storage demands, and privacy constraints. We present TraceSynth, a diffusion-based framework for generating synthetic kernel traces that augment limited real data for downstream ML tasks. TraceSynth models traces as multi-channel sequences (event types, timestamps, CPU affinity, thread identifiers, and process metadata) using a Transformer-based denoising diffusion process with constraint-guided repair to enforce system invariants. Across six benchmarks, results show strong workload dependence. For deterministic, compute-heavy workloads (scimark2), synthetic augmentation achieves 87.2% F1-Macro at context length L=4096, only 2.6 percentage points below real-only baselines. Context length is the dominant quality factor, with L=4096 yielding a +104% relative improvement over L=256, while constraint-guided repair improves synthetic data quality by up to 4.3%. Ablation studies show that lightweight 2-channel models retain 97-99% of the performance of full 6-channel models at roughly half the computational cost. TraceSynth supports cost-effective augmentation of kernel execution traces in production observability pipelines and helps identify when synthetic data can substitute for limited real traces.
• Abstract（参考訳）: システムの診断のための機械学習モデルは、きめ細かいシステムの振る舞いを捉えるためにカーネルの実行トレースに依存するが、産業システムにおける生産トレースの収集は、実行時のオーバーヘッド、ストレージ要求、プライバシ制約によってコストがかかる。 我々は、下流MLタスクの制限された実データを拡張する合成カーネルトレースを生成するための拡散ベースのフレームワークであるTraceSynthを提案する。 TraceSynthモデルは、Transformerベースのデノナイズ拡散プロセスを使用してマルチチャネルシーケンス(イベントタイプ、タイムスタンプ、CPU親和性、スレッド識別子、プロセスメタデータ)をトレースし、システム不変性を強制する。 6つのベンチマークで、結果は強いワークロード依存を示します。 決定論的で計算量の多いワークロード(scimark2)では、文脈長L=4096で87.2%のF1-Macroを達成する。 L=4096はL=256よりも+104%向上し、制約誘導修復は合成データ品質を最大4.3%改善する。 アブレーション研究では、軽量な2チャンネルモデルでは、計算コストの約半分で6チャンネルモデル全体の97-99%の性能を維持している。 TraceSynthは、プロダクションオブザーバビリティパイプラインにおけるカーネル実行トレースのコスト効率向上をサポートし、合成データが限られた実トレースに置換できるかどうかを識別する。

関連論文リスト

• Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata [57.27430779838529]
  有限オートマトンとして表現可能な任意の制約の下で,制約付き平均場後部からサンプリングする,正確かつトラクタブルなアルゴリズムを提案する。 このアプローチは、構築による制約満足度を保証し、欲求とサンプリングベースのデコーディングの両方をサポートし、並列およびブロックワイドデコーディングと互換性がある。 Dream-7B と LLaDA-8 の実証的な評価は、様々なタスクにおいてかなりの精度の向上を示した。
  論文  参考訳（メタデータ） (2026-07-08T05:48:57Z)
• EnvFactory: Scaling Tool-Use Agents via Executable Environments Synthesis and Robust RL [54.09410318521061]
  本稿では,エージェント強化学習(Agentic RL)トレーニングのための完全に自動化されたフレームワークであるEnvFactoryを紹介する。 EnvFactoryは、認証リソースから自律的に、ステートフルで実行可能なツール環境を探索する。 トポロジーを意識したサンプリングとキャリブレーションによる自然なマルチターン軌道を合成する。 トレーニング効率とダウンストリーム性能が向上し、BFCLv3ではQwen3シリーズモデルを最大15%改善し、MPP-Atlasでは+8.6%、VitaBenchでは+6%向上した。
  論文  参考訳（メタデータ） (2026-05-18T17:37:40Z)
• SynthPID: P&ID digitization from Topology-Preserving Synthetic Data [0.0]
  実際の図面から直接シードされた665個の合成P&IDのコーパスであるSynthPIDを紹介する。 SynthPIDだけでトレーニングされたモデルは、PID2Graph OPEN100上で63.8 +/-3.1%のエッジmAPを達成する。
  論文  参考訳（メタデータ） (2026-04-15T09:14:44Z)
• Synthetic Mixed Training: Scaling Parametric Knowledge Acquisition Beyond RAG [56.95387658211215]
  本稿では,合成QAと合成文書を組み合わせた合成混合訓練について紹介する。 これにより、合成データボリュームとジェネレータ強度が増大するにつれて、ログリニアの改善が可能になる。 モデルとベンチマーク全体を通じて、トレーニングにより、モデルがRAGを6つの設定のうち5つで上回り、パフォーマンスが2.6%向上し、RAGと組み合わせると9.1%向上する。
  論文  参考訳（メタデータ） (2026-03-24T04:32:48Z)
• SynthChain: A Synthetic Benchmark and Forensic Analysis of Advanced and Stealthy Software Supply Chain Attacks [3.8630637926171674]
  実運用に近いテストベッドであるSynthChainと、連鎖レベル基底真理を持つマルチソースランタイムデータセットを提示する。 SynthChainは、PyPI、npm、ネイティブC/C++サプライチェーンケースの7つの代表的なサプライチェーンエクスプロイトシナリオをカバーしている。 我々は、各チェーンステップを検出およびソース間相関に必要な最小限のエビデンスにマッピングすることで、可観測性制約を定量化する。
  論文  参考訳（メタデータ） (2026-03-17T15:50:59Z)
• Synthesis-in-the-Loop Evaluation of LLMs for RTL Generation: Quality, Reliability, and Failure Modes [17.628790209793415]
  We evaluate 32 language model on 202 Verilog task from VerilogEval and RTLLM。 13機のフロンティアがGlobal HQIを71以上、Gemini-3-Proが主導する。 195の真の合成失敗のツール適応分類は、系統的な分岐を示す。
  論文  参考訳（メタデータ） (2026-03-11T20:26:58Z)
• On Sequence-to-Sequence Models for Automated Log Parsing [0.0]
  本研究の目的は、シーケンスモデリングアーキテクチャ、表現選択、シーケンス長、トレーニングデータの可用性が、自動ログ解析性能と計算コストにどのように影響するかを評価することである。 変換器は、平均相対編集距離が0.111、次いでMamba(0.145)、mono-LSTM(0.186)、bi-LSTM(0.265)となる。 全体として、Transformerは解析エラーを23.4%削減し、Mambaはデータや計算制約の下で強力な代替手段である。
  論文  参考訳（メタデータ） (2026-02-07T20:47:45Z)
• From Memorization to Creativity: LLM as a Designer of Novel Neural-Architectures [48.83701310501069]
  大規模言語モデル(LLM)は、プログラム合成において優れているが、ニューラルネットワーク設計(信頼性、性能、構造的ノベルティ)を自律的にナビゲートする能力は、未調査のままである。 コード指向LLMをクローズドループ合成フレームワークに配置し、22の教師付き微調整サイクルの進化を解析することによって、この問題に対処する。
  論文  参考訳（メタデータ） (2026-01-06T13:20:28Z)
• Large Language Models as Realistic Microservice Trace Generators [48.730974361862366]
  本稿では,大規模言語モデル (LLM) を用いて, 合成作業負荷トレースを生成する手法を提案する。 我々はTraceLLMが様々な条件下で多様なリアルなトレースを生成し、精度と妥当性の両方において既存のアプローチよりも優れていることを示す。 TraceLLMは、キートレース機能を予測したり、欠落したデータを埋め込むといった、下流のトレース関連タスクに適応する。
  論文  参考訳（メタデータ） (2024-12-16T12:48:04Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
  我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。 PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。 広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
  論文  参考訳（メタデータ） (2023-01-31T16:43:53Z)

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。