論文の概要: Hierarchical Fault Localization for Autonomous Driving Systems with Hypothesis Validation and Intent Analysis

• arxiv url: http://arxiv.org/abs/2607.12598v1
• Date: Tue, 14 Jul 2026 10:17:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.116659
• Title: Hierarchical Fault Localization for Autonomous Driving Systems with Hypothesis Validation and Intent Analysis
• Title（参考訳）: 仮説検証とインテント分析による自律運転システムの階層的故障位置推定
• Abstract要約: 本稿では,仮説検証と意図解析に基づく階層型ADS断層定位のための2段階フレームワークHINTを提案する。 フェーズ1では、HINTは障害トリガ実行レコードをマルチモーダル抽象化に変換する。 フェーズIIでは、設計側の意図と実装側の振る舞いを再構築し、信頼性を意識した整合性チェックを通じて不審なコードをローカライズする。
• 参考スコア（独自算出の注目度）: 14.387618464803774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Comprehensive testing is essential for the safety and reliability of Autonomous Driving Systems (ADS). Existing techniques can detect system-level failures or attribute them to coarse-grained modules, but they often fall short of localizing the root cause in source code. As a result, debugging remains labor-intensive, requiring developers to connect behavioral violations with complex implementation logic. To address this gap, we present HINT, a two-phase framework for hierarchical ADS fault localization based on hypothesis validation and intent analysis. In Phase I, HINT transforms failure-triggering execution recordings into multi-modal abstractions and uses causal reasoning to identify the responsible module. In Phase II, it reconstructs design-side intent and implementation-side behavior, then localizes suspicious code through reliability-aware consistency checking, without costly re-simulation. We evaluate HINT on Apollo across diverse failure modes and modules. The results show that HINT achieves the strongest overall performance across module-level diagnosis and code-level localization metrics, with 77.8% end-to-end Class@5 accuracy on real-world bugs.
• Abstract（参考訳）: 総合的なテストは自律運転システム(ADS)の安全性と信頼性に不可欠である。 既存のテクニックは、システムレベルの障害を検出したり、それらを粗いモジュールとみなすことができるが、ソースコードの根本原因をローカライズするに足らないことが多い。 その結果、デバッギングは労働集約的であり、開発者は複雑な実装ロジックに振る舞い違反を接続する必要がある。 このギャップに対処するために,仮説検証と意図分析に基づく階層型ADS故障の局所化のための2段階のフレームワークであるHINTを提案する。 フェーズ1では、HINTは障害トリガ実行レコードをマルチモーダルな抽象化に変換し、因果推論を使用して責任のあるモジュールを識別する。 フェーズIIでは、設計側の意図と実装側の振る舞いを再構築し、信頼性に配慮した一貫性チェックを通じて不審なコードをローカライズする。 我々はApollo上のHINTをさまざまな障害モードとモジュールで評価する。 その結果、HINTはモジュールレベルの診断とコードレベルのローカライゼーションのメトリクスで最高の全体的なパフォーマンスを達成し、現実世界のバグに対して77.8%のエンドツーエンドのClass@5精度を実現している。

関連論文リスト

• DCFA: Dual-view Causal-inspired Attribution for Failure Reasoning in LLM-based Multi-agent Systems [61.11435469308521]
  大規模言語モデルシステムにおける障害帰属のためのトレーニング不要フレームワークDCFAを提案する。 DCFAは、システムトレースから構造化因果インスパイアされた依存性グラフを構築するグローバルモジュールを統合する。 実験の結果、DCFAは最先端のベースラインよりもステップレベルの精度を最大8.27%向上することが示された。
  論文  参考訳（メタデータ） (2026-09-04T05:29:31Z)
• VerifyMAS: Hypothesis Verification for Failure Attribution in LLM Multi-Agent Systems [79.51005192758262]
  大規模言語モデル駆動型マルチエージェントシステムは複雑なタスクで優れている。 しかし、信頼性の低いエージェントは、システムレベルの信頼性にとって重要なボトルネックである。 本稿では,エージェント故障の帰属に関する仮説検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-17T14:09:35Z)
• Similar Pattern Annotation via Retrieval Knowledge for LLM-Based Test Code Fault Localization [5.9162004338597365]
  ソフトウェアの失敗は、欠陥のあるシステムテストスクリプトから生じます。 テストコードフォールトローカライゼーション(TCFL)は、継続的インテグレーション環境において重要であるにも関わらず、はるかに注目されていない。 本稿では,CI環境から蓄積したデバッグ知識をLarge Language Model (LLM)ベースのTCFLに統合するフレームワークであるSPARKを提案する。
  論文  参考訳（メタデータ） (2026-05-08T16:20:58Z)
• 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)
• VIBEPASS: Can Vibe Coders Really Pass the Vibe Check? [46.85901599242161]
  emphFault-Triggering Test Generation(FT-Test)とemphFault-targeted Program repair(FPR)の2つの組み合わせタスクを評価した。 故障対象推論は一般的な符号化能力ではスケールしないことがわかった。 自己生成テストが障害の発見に成功すると、結果として得られた修復結果が外部から提供されたテストによってガイドされた修復と一致したり、性能が低下する。
  論文  参考訳（メタデータ） (2026-03-16T21:14:28Z)
• AgentFixer: From Failure Detection to Fix Recommendations in LLM Agentic Systems [7.429835301272413]
  フレームワークには15の障害検出ツールと2つの根本原因分析モジュールが含まれている。 軽量なルールベースのチェックとLDM-as-a-judgeアセスメントを統合し、構造化インシデント検出、分類、修復をサポートする。 我々は、このフレームワークをIBM CUGAに適用し、AppWorldとWebArenaベンチマークのパフォーマンスを評価した。
  論文  参考訳（メタデータ） (2026-02-18T14:55:35Z)
• ProbeLLM: Automating Principled Diagnosis of LLM Failures [89.44131968886184]
  ProbeLLMはベンチマークに依存しない自動探索フレームワークで、個々の障害から構造的障害モードへの脆弱性発見を増大させる。 ProbeLLMは、検証可能なテストケースにプローブを制限し、ツールの拡張された生成と検証を活用することで、信頼性のある証拠として障害発見を根拠とする。
  論文  参考訳（メタデータ） (2026-02-13T14:33:13Z)
• The Semantic Trap: Do Fine-tuned LLMs Learn Vulnerability Root Cause or Just Functional Pattern? [14.472036099680961]
  そこで我々は,脆弱性根本原因を機能パターンから切り離すための総合評価フレームワークTrapEvalを提案する。 我々は、3つのモデルファミリーにまたがる5つの最先端LCMを微調整し、それらを、CodeBLEUによって測定されたクロスデータセットテスト、セマンティック保存、および様々なセマンティックギャップの下で評価する。 従来のデータセットに対する高いベンチマークスコアは、モデルが脆弱性の真の因果論理を理解できないことを隠蔽している可能性がある。
  論文  参考訳（メタデータ） (2026-01-30T07:19:17Z)
• Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
  オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。 ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
  論文  参考訳（メタデータ） (2026-01-20T06:42:56Z)
• 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)

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。