Fugu-MT 論文翻訳(概要): Leveraging Resolved Incident History for LLM-Assisted Software Bug Diagnosis

論文の概要: Leveraging Resolved Incident History for LLM-Assisted Software Bug Diagnosis

arxiv url: http://arxiv.org/abs/2607.21911v1
Date: Fri, 24 Jul 2026 02:33:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 20:58:57.034289
Title: Leveraging Resolved Incident History for LLM-Assisted Software Bug Diagnosis
Title（参考訳）: LLM支援ソフトウェアバグ診断における解決インシデント履歴の活用
Abstract要約: 現在の検索拡張生成アプローチは、一方または両方の次元で不足する。本稿では,OM-RAG(Operational Memory RAG)を提案する。 OM-RAGは,運用用のDataverseインスタンスを6ヶ月以上運用した,汎用的な大規模言語モデル(LLM)管理者を運用している。
参考スコア（独自算出の注目度）: 0.3697506689572711
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Effective software bug diagnosis requires two ingredients: the right knowledge source (operational failure history, not just system documentation) and the right retrieval structure (structured records, not unstructured chunks). Current retrieval-augmented generation (RAG) approaches fall short on one or both dimensions. We propose Operational Memory RAG (OM-RAG), which indexes resolved issues as structured symptom-root cause-resolution triples and retrieves the most similar historical precedent via single-hop embedding. OM-RAG powers a purpose-built large language model (LLM) administrator that has operated a production Dataverse instance for over six months, operationalizing the Knowledge component of the Monitor-Analyze-Plan-Execute-Knowledge (MAPE-K) feedback loop with the system's own resolved failure history. In a controlled four-configuration ablation, LLM-based judging covers all 1,172 issues and manual verification a 123-issue subset. OM-RAG achieves Diagnosis Accuracy of 0.931 and Fix Correctness of 0.809, outperforming chunk-based retrieval (+186%) and a documentation-anchored concept graph (+77%). Model-free retrieval metrics (mean similarity 0.880) independently corroborate the ranking.
Abstract（参考訳）: 効果的なソフトウェアバグ診断には、適切な知識源(システムドキュメンテーションだけでなく、運用上の障害履歴)と適切な検索構造(構造化されたレコード、構造化されていないチャンク)の2つの要素が必要です。現在の検索強化生成(RAG)アプローチは、一方または両方の次元で不足する。そこで我々は,OM-RAG (Operational Memory RAG) を提案する。 OM-RAGは,運用用Dataverseインスタンスを6ヶ月以上運用した,汎用的な大規模言語モデル(LLM)管理者を電源として,システム独自の障害履歴を備えたMAPE-K(Monitor-Analyze-Plan-Execute-Knowledge)フィードバックループの知識コンポーネントを運用する。制御された4段階のアブレーションでは、LSMに基づく判定は1,172件の問題を全てカバーし、手動による検証は123件のサブセットである。 OM-RAGは0.931の診断精度と0.809の修正精度を実現し、チャンクベースの検索(+186%)とドキュメント化された概念グラフ(+77%)を上回った。モデルなしの検索指標(平均的類似度0.880)は、独立にランキングを裏付ける。

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)
From Association to Causation: Improving Retrieval Precision of Retrieval-Augmented Generation via Causal Relations and an Attention Mechanism [23.0538048682894]
我々は,ライヒェンバッハの共通原因原理に基づく因果グラフを用いて,終端検索段階をモデル化する。検索された文書はコライダー(A−>d−B)であるため、検索自体がクエリとBの関連経路を開く。知識内容内の因果関係をモデル化する因果関係強化RAG変種とは異なり、我々のグラフは検索プロセス自体の因果構造をモデル化する。
論文参考訳（メタデータ） (2026-08-22T00:31:06Z)
Can LLMs Really Recover Microservice Failures? A Recovery-Aware Evaluation of Diagnosis-to-Action Reasoning [48.22526014304726]
本稿では,診断後インシデント応答に対するリカバリアクション評価フレームワークであるR2Actについて述べる。 R2Actはインシデントスキーマ、品質ゲート、アクション空間表現、リカバリ妥当性メトリクス、オフライン評価器、ライブ再生プロトコルを定義する。システムから品質監査されたインシデント302件のベンチマークデータセットとして、このフレームワークをインスタンス化する。
論文参考訳（メタデータ） (2026-07-06T03:05:17Z)
ContextNest: Verifiable Context Governance for Autonomous AI Agent [0.0]
我々は、管理されたAI消費可能な知識Vaultのためのオープン仕様と参照実装であるContextNestを提示する。検索の下にあるガバナンス層を提供し、どのアーティファクトが承認され、現在、帰属可能で、整合性が検証されているかを判断する。 2つの制御実験による実験結果について報告する。
論文参考訳（メタデータ） (2026-07-02T12:51:38Z)
Self-Healing Agentic Orchestrators for Reliable Tool-Augmented Large Language Model Systems [0.10210859604701106]
セルフヒーリングエージェントオーケストレータは、信頼性をランタイム境界制御問題として扱う。セルフヒーリングは98.8%のタスク成功を達成し、リトライオンリーでは94.5%、フルリプランでは93.8%を達成している。
論文参考訳（メタデータ） (2026-05-31T19:27:22Z)
BLAgent: Agentic RAG for File-Level Bug Localization [2.2917707112773593]
BLAgentはファイルレベルのバグローカライゼーションのための新しいエージェントRAGフレームワークである。 BLAgentは、オープンソースモデルで78%以上のTop-1精度を達成した。 BLAgentは、エンドツーエンドの修復の成功を20%以上改善する。
論文参考訳（メタデータ） (2026-05-18T07:20:13Z)
TRAJEVAL: Decomposing Code Agent Trajectories for Fine-Grained Diagnosis [23.834704102474927]
コードエージェントはGitHubの問題を解決することができるが、失敗した場合、現在の評価は場所や理由を可視化しない。本稿では,エージェントトラジェクトリを3つの解釈段階に分解する診断フレームワークTRAJEVALを紹介する。我々はこれらの診断が予測可能であることを確認し、0.87-2.1% MAEでモデルレベルのPass@1予測を達成する。
論文参考訳（メタデータ） (2026-03-25T05:27:03Z)
DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
論文参考訳（メタデータ） (2025-12-07T09:23:48Z)
Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文参考訳（メタデータ） (2025-10-16T05:35:37Z)
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)
Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
論文参考訳（メタデータ） (2025-05-20T06:44:34Z)

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。