論文の概要: Let AI Agents Translate Networks, Not Reason About Them

• arxiv url: http://arxiv.org/abs/2607.22947v1
• Date: Fri, 24 Jul 2026 23:17:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.945443
• Title: Let AI Agents Translate Networks, Not Reason About Them
• Title（参考訳）: AIエージェントがネットワークを翻訳する
• Abstract要約: 形式的なモデルは、到達可能性の検証、障害の局所化、あるいは変化の爆発半径の予測を可能にする。 我々は,模擬生産規模WANのシンボルモデルを構築し,検証するTypoNetを構築した。 AIエージェントのツールとして、TypoNetはフォールトローカライゼーションを低コストで向上させる。
• 参考スコア（独自算出の注目度）: 2.67128222843995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A formal model enables verifying reachability, localizing an outage, or anticipating the blast radius of a change. Yet, virtually no production network has one, since writing a model by hand demands rare expertise and is hard to keep current as the network changes frequently. At its core, network modeling is a typographical exercise: it translates network artifacts (e.g., configurations, topology, and routing state) into rules in formal logic. Translation of this kind is what large language models (LLMs) nowadays do well. Unlike free-form AI reasoning, such translation can be formally verified. Once modeling is no longer the bottleneck, trusting AI to reason over large, complex networks no longer makes sense. Our position therefore cuts against the prevailing race to put autonomous AI agents in charge end-to-end. We instead confine AI to translation and rely on a solver for reliable long-horizon reasoning, building a reusable formal model of general network behavior that can then be specialized to specific tasks, e.g., root-cause analysis (RCA). We build TypoNet that constructs and validates a symbolic model of an emulated production-scale WAN from the network's own artifacts. Our preliminary evaluation shows TypoNet helps in two ways. On its own, TypoNet answers operational questions (e.g., reachability verification and change-impact analysis) faster, more cheaply, and more reliably than an LLM. As a tool for an AI agent, TypoNet boosts fault localization at lower cost. The result makes the case for AI that builds verifiable network models and relies on a solver for reliable long-horizon reasoning.
• Abstract（参考訳）: 形式的モデルは、到達可能性の検証、障害の局所化、変化の爆発半径の予測を可能にする。 しかし、手作業によるモデル作成には稀な専門知識が必要であり、ネットワークが頻繁に変化するため、現在の状態を維持するのは難しいため、事実上本番ネットワークは存在しない。 ネットワークモデリングは、ネットワークアーティファクト(例えば、構成、トポロジ、ルーティング状態)を形式論理のルールに変換する。 この種の翻訳は、今日では大きな言語モデル(LLM)がうまく機能している。 自由形式のAI推論とは異なり、そのような翻訳は正式に検証することができる。 ひとたびモデリングがボトルネックにならないと、巨大で複雑なネットワークをAIが推論することを信頼することはもはや意味をなさない。 したがって、私たちの立場は、エンドツーエンドに自律的なAIエージェントを配置する一般的な競争に対抗しています。 代わりに、AIを翻訳に限定し、信頼性の高いロングホライズン推論の解法を頼りにし、一般的なネットワークの振る舞いを再利用可能な形式モデルを構築し、そのモデルが特定のタスク、例えば根本原因分析(RCA)に特化することができる。 我々はTypoNetを構築し、ネットワーク自身のアーティファクトからエミュレートされたプロダクションスケールWANのシンボルモデルを構築し、検証する。 予備評価では、TypoNetは2つの点で役立ちます。 TypoNetはそれ自体で,運用上の問題(到達可能性検証や変更影響分析など)を,LDMよりも高速で,より安価で,信頼性の高い形で回答する。 AIエージェントのツールとして、TypoNetはフォールトローカライゼーションを低コストで向上させる。 その結果、検証可能なネットワークモデルを構築し、信頼できるロングホライゾン推論のための解決器に依存するAIが実現した。

関連論文リスト

• Self-evolving network verifiers [4.369247388526747]
  シンボリックネットワーク検証器は、ルーティング入力と障害の広大な空間にわたって正確性を推論することができる。 代わりに、実際のネットワークの振る舞いを忠実に捉えるために、モデルが自動的に進化すべきである、と私たちは主張する。
  論文  参考訳（メタデータ） (2026-08-11T18:45:15Z)
• Can Vision-Language Models Reason about AI Edits in Images? [78.04125956307838]
  VLM(Vision-Language Models)は、強力な視覚的理解と推論能力のために、有望な代替手段を提供する。 簡単な精度と形式報酬を利用するGRPOベースのトレーニングフレームワークを提案する。 提案手法は,最先端画像フォージェリ検出器と比較して,競合検出と局所化性能を実現する。
  論文  参考訳（メタデータ） (2026-07-30T16:23:40Z)
• Forethought: Verifiable Reasoning from Neurosymbolic Primitive Programming [0.764671395172401]
  Forethoughtは、推論を明示的で検証可能なプログラムとして扱う神経象徴的推論システムである。 ベースモデルの精度を約30%向上し、バニラのプロンプト、強化学習足場、即時進化法に勝る。
  論文  参考訳（メタデータ） (2026-07-05T03:20:23Z)
• VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
  本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。 VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。 Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
  論文  参考訳（メタデータ） (2026-06-03T20:02:35Z)
• Fluid Representations in Reasoning Models [91.77876704697779]
  本稿では,QwQ-32Bの抽象構造情報処理のメカニズム解析を行う。 その結果、QwQ-32Bは、推論中の行動や概念の内部表現を徐々に改善することがわかった。
  論文  参考訳（メタデータ） (2026-02-04T18:34:50Z)
• Combining Causal Models for More Accurate Abstractions of Neural Networks [10.115827125021438]
  因果抽象化は、ネットワークがアルゴリズムを実装した際の正確な概念を提供する。 現実的な設定における典型的な問題は、アルゴリズムがネットワークを完全に忠実に抽象化していないことである。 我々は,より忠実なネットワーク表現を生成するために,異なる単純な高レベルモデルを組み合わせるソリューションを提案する。
  論文  参考訳（メタデータ） (2025-03-14T14:14:43Z)
• Training Neural Networks as Recognizers of Formal Languages [87.06906286950438]
  ニューラルネットワークを文字列のバイナリ分類器として直接訓練し評価する。 3つのニューラルアーキテクチャに対して、チョムスキー階層の様々な言語について結果を提供する。 我々の貢献は、将来の研究において、言語認識の主張を理論的に健全に検証するのに役立つだろう。
  論文  参考訳（メタデータ） (2024-11-11T16:33:25Z)
• Structural Generalization in Autonomous Cyber Incident Response with Message-Passing Neural Networks and Reinforcement Learning [0.0]
  小さなネットワーク変更のためのリトレーニングエージェントは、時間とエネルギーを消費する。 ホストの数が異なる元のネットワークの変種を作成し、エージェントを追加のトレーニングなしでテストします。 デフォルトのベクトル状態表現を使用するエージェントのパフォーマンスは向上するが、各ネットワークで特別にトレーニングする必要がある。
  論文  参考訳（メタデータ） (2024-07-08T09:34:22Z)
• An Explainable AI Approach to Large Language Model Assisted Causal Model Auditing and Development [18.090619498704495]
  因果関係は疫学、社会科学、医学、工学など多くの分野で広く利用されている。 本稿では,ChatGPTのような大規模言語モデルを用いた因果関係の監査手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T17:40:41Z)
• 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)
• Distributionally Robust Recurrent Decoders with Random Network Distillation [93.10261573696788]
  本稿では,自動回帰言語モデルが推論中にOODコンテキストを無視できるように,ランダムネットワーク蒸留を用いたOOD検出に基づく手法を提案する。 提案手法をGRUアーキテクチャに適用し,複数の言語モデリング(LM)データセットの改善を実証する。
  論文  参考訳（メタデータ） (2021-10-25T19:26:29Z)
• Fast Text-Only Domain Adaptation of RNN-Transducer Prediction Network [0.0]
  RNNトランスデューサモデルは,少量のテキストデータのみを用いて,新しいドメインに効果的に適応できることを示した。 本稿では,複数のASR評価タスクを用いて,目標タスクWERにおける相対的な10〜45%の利得が得られる方法を示す。
  論文  参考訳（メタデータ） (2021-04-22T15:21:41Z)

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。