論文の概要: Invariant Discovery for Networked Systems
- arxiv url: http://arxiv.org/abs/2607.22944v1
- Date: Fri, 24 Jul 2026 23:07:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.945003
- Title: Invariant Discovery for Networked Systems
- Title（参考訳）: ネットワークシステムの不変発見
- Abstract要約: 不変性は、検証からトラフィック生成、テレメトリ計算、入力検証に至るまでの応用の基盤となる。
自動採掘機は2つの面で不足するが、最も難しい入力(許容不変量の文法)が必要であり、正確な「難しい」ルールしか学ばない。
我々のキーとなる考え方は、不変探索問題をAIによる文法発見問題に分割し、次いで学習文法における統計駆動探索問題に分割することである。
- 参考スコア（独自算出の注目度）: 42.16790126199371
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Invariants, the relations expected to hold among measured signals of a network, underpin applications from verification to traffic generation, telemetry imputation, and input validation, yet writing them by hand demands rare expertise in both formal logic and networking. Automatic miners can help but fall short on two fronts: they still require the hardest input (the grammar of admissible invariants) and they learn only exact, ``hard'' rules, struggling with real-world approximation caused by inherent noise in data. LLMs are tools that can provide semantic reasoning over data, but are non-deterministic and opaque in their learning. Our key idea is to partition the invariant search problem into an AI-driven grammar ``discovery'' problem, followed by a statistics-driven ``search'' problem within the learned grammar. Taken together, this allows non-deterministic, hallucination-prone AI to help produce auditable invariants with formal guarantees. We design and implement such a system, Autogram, and evaluate it on both public and production telemetry data, recovering expert-derived invariants with high coverage and low false positives. We close with discussion on open problems on the path toward fully open-ended discovery.
- Abstract（参考訳）: 不変性としては、ネットワークの測定信号間の関係が期待され、検証からトラフィック生成、テレメトリ計算、入力検証に至るまでアプリケーションを支える一方で、形式論理とネットワークの両方において稀な専門知識を手書きする。
自動マイニングは2つの面で不足するが、最も難しい入力(許容不変量の文法)を必要とするため、データに固有のノイズによって引き起こされる現実の近似に苦しむ、正確な 'hard'' ルールのみを学ぶ。
LLMはデータに対する意味論的推論を提供するツールであるが、学習において決定論的ではなく不透明である。
我々のキーとなる考え方は、不変探索問題をAI駆動型文法『発見』問題に分割し、次いで統計駆動型『探索』問題を学習文法内に配置することである。
これにより、非決定論的で幻覚を引き起こすAIが、正式な保証付き監査可能な不変量を生成するのに役立ちます。
我々は,このようなシステムであるAutogramを設計,実装し,公開テレメトリデータと製品テレメトリデータの両方で評価し,高いカバレッジと低い偽陽性で専門家由来の不変性を回復する。
我々は、完全なオープンエンド発見への道の開けた問題についての議論を締めくくった。
関連論文リスト
- Project Auto-World: Towards Automated Benchmarking of Neural Relational Reasoners [18.516862091292328]
リレーショナル構造に関する推論は、ニューラルモデルにとって重要な課題である。
ベンチマーク生成を自動化するために,大規模言語モデルを用いてこの問題に対処する方法について検討する。
我々は、LLMが提案する新しい世界に同じ機械を応用できることを示し、ニューラルリレーショナル推論に関する自律的な研究の扉を開く。
論文 参考訳（メタデータ） (2026-06-23T09:36:46Z) - Intent Formalization: A Grand Challenge for Reliable Coding in the Age of AI Agents [7.228124845671868]
エージェントAIシステムは、驚くほどの頻度でコードを生成することができる。
生成されたコードが実際にユーザが意図した通りに動作するようにします。
論文 参考訳（メタデータ） (2026-03-17T21:28:59Z) - Learning the Boundary of Solvability: Aligning LLMs to Detect Unsolvable Problems [51.62477754641947]
本研究では,実現可能な問題を解き,固有の矛盾を検知し,能力を超えたタスクを慎重に拒否するUnsolvableQAとUnsolvableRLを提案する。
具体的には、双トラック手法を用いて導出される、ペアで解決可能かつ解決不可能なインスタンスのデータセットであるUnsolvableQAを構築する。
このデータセット上に構築されたUnsolvableRLは,精度,未解決性,難易度を考慮した3つの報酬成分を備えた強化学習フレームワークである。
論文 参考訳（メタデータ） (2025-12-01T13:32:59Z) - Adaptive and Explainable AI Agents for Anomaly Detection in Critical IoT Infrastructure using LLM-Enhanced Contextual Reasoning [0.10742675209112619]
この提案では,LLMをサポートするコンテキスト推論手法とXAIエージェントを使用して,IoT環境における異常の発見方法を改善することを提案する。
コードAIが透明性と解釈可能性を強調することはないため、人々はAIの決定を確認し、受け入れることができる。
この研究から、新しいアプローチは、精度と解釈の両方において、既存のほとんどのモデルよりもはるかに優れていることが判明した。
論文 参考訳（メタデータ） (2025-10-04T16:12:45Z) - SciML Agents: Write the Solver, Not the Solution [69.5021018644143]
敵の"ミスリーディング"問題の診断データセットと,1,000種類のODEタスクの大規模ベンチマークという,2つの新しいデータセットを紹介した。
オープンおよびクローズドソース LLM モデルについて, (i) 誘導型とガイド型, (ii) オフ・ザ・シェルフ対微調整型という2つの軸に沿って評価した。
予備的な結果は、慎重なプロンプトと微調整により、単純なODE問題を確実に解決できる特殊なLLMエージェントが得られることを示唆している。
論文 参考訳（メタデータ） (2025-09-12T02:53:57Z) - LLMs as Probabilistic Minimally Adequate Teachers for DFA Learning [11.037017229299607]
大規模言語モデル(LLM)におけるインテリジェンス(インテリジェンス)の出現は、オートマチックラーニングへの統合に関する調査にインスピレーションを与えている。
本稿では,pMAT (probabilistic Minimally Adequate Teacher) の定式化について紹介する。
我々は,解答精度を向上し,学習したオートマタの正確性を確保する技術を開発した。
論文 参考訳（メタデータ） (2024-08-06T07:12:09Z) - Conformal Validity Guarantees Exist for Any Data Distribution (and How to Find Them) [14.396431159723297]
理論上,共形予測はテキスト共同データ分布に拡張可能であることを示す。
最も一般的なケースは計算に実用的でないが、具体的には特定の共形アルゴリズムを導出するための手順を概説する。
論文 参考訳（メタデータ） (2024-05-10T17:40:24Z) - HyPoradise: An Open Baseline for Generative Speech Recognition with
Large Language Models [81.56455625624041]
ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。
提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。
合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
論文 参考訳（メタデータ） (2023-09-27T14:44:10Z) - Interpretability at Scale: Identifying Causal Mechanisms in Alpaca [62.65877150123775]
本研究では、Boundless DASを用いて、命令に従う間、大規模言語モデルにおける解釈可能な因果構造を効率的に探索する。
私たちの発見は、成長し、最も広くデプロイされている言語モデルの内部構造を忠実に理解するための第一歩です。
論文 参考訳（メタデータ） (2023-05-15T17:15:40Z) - A Gentle Introduction to Conformal Prediction and Distribution-Free
Uncertainty Quantification [1.90365714903665]
このハンズオン導入は、配布不要なUQの実践的な実装に関心のある読者を対象としている。
PyTorch構文で、Pythonで説明的なイラストやサンプル、コードサンプルを多数含みます。
論文 参考訳（メタデータ） (2021-07-15T17:59:50Z) - Global Optimization of Objective Functions Represented by ReLU Networks [77.55969359556032]
ニューラルネットワークは複雑で非敵対的な関数を学ぶことができ、安全クリティカルな文脈でそれらの正しい振る舞いを保証することは困難である。
ネットワーク内の障害を見つけるための多くのアプローチ(例えば、敵の例)があるが、これらは障害の欠如を保証できない。
本稿では,最適化プロセスを検証手順に統合し,本手法よりも優れた性能を実現する手法を提案する。
論文 参考訳（メタデータ） (2020-10-07T08:19:48Z)
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。