論文の概要: ConMem: Contribution-Aware Memory for Long-Horizon Manufacturing Inspection Logs
- arxiv url: http://arxiv.org/abs/2607.28126v1
- Date: Thu, 30 Jul 2026 12:35:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.563587
- Title: ConMem: Contribution-Aware Memory for Long-Horizon Manufacturing Inspection Logs
- Title（参考訳）: ConMem: 長期製造検査ログのコントリビューション対応メモリ
- Authors: Bingchen Liu, Yuanyuan Fang, Lei Liu, Guangyuan Dong, Xing Fu, Yuanyuan Gao, Shuyue Wei, Xin Li, Xiangtian Meng,
- Abstract要約: ConMemは、機器検査のためのコントリビューション対応メモリフレームワークである。
検査ログを機能的エビデンスユニットに分割し、各メモリユニットの下流診断への貢献を推定する。
- 参考スコア（独自算出の注目度）: 15.422561076909302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon steel-equipment inspection requires reasoning over heterogeneous records accumulated across repeated inspection cycles. Existing retrieval-augmented generation systems treat historical logs as a static corpus and retain records without estimating their diagnostic value, failing to report early risk. To this end, we propose ConMem, a contribution-aware memory framework for LLM-assisted equipment inspection, supporting a human-in-the-loop early-risk screening system. Specifically, our ConMem first segments inspection logs into functional evidence units, then estimates each memory unit's contribution to downstream diagnosis through a Shapley-style estimation, and finally retains high-value evidence under a constrained memory budget. In experiments, we evaluate ConMem on real-world dataset and ConMem achieves 76.0% QA accuracy, exceeding the strongest directly comparable baseline. Relative to the naive 8K-context LLM baselines, it reduces the average number of input tokens by 88.2% and response time by 86.6%. Ablation studies also show that the functional-role-aware segmentation and contribution-based valuation are helping prioritize weak degradation signals for targeted field inspection. Practical deployments further confirm that ConMem retains the weak early signal across three inspection cycles, providing an early-stage seal-wear alert targeted for on-site inspectors.
- Abstract（参考訳）: ロングホライゾン・スチール・エクイプメント・インスペクションは、繰り返し検査サイクルにまたがって蓄積された異種記録の推論を必要とする。
既存の検索拡張生成システムは、過去のログを静的コーパスとして扱い、診断値を見積もることなく記録を保持し、早期のリスクを報告しない。
そこで本研究では,LCM支援機器検査のためのコントリビューション対応メモリフレームワークであるConMemを提案する。
具体的には,まずインスペクションログを機能的エビデンス単位に分割し,シャプリー型推定により各メモリユニットの下流診断への貢献を推定し,最終的に制約付きメモリ予算の下で高価値エビデンスを保持する。
実験では、実世界のデータセット上でConMemを評価し、ConMemは76.0%のQA精度を達成し、最強の直接比較ベースラインを超えた。
単純な8KコンテキストのLCMベースラインと比較して、入力トークンの平均数は88.2%減少し、レスポンスタイムは86.6%減少する。
アブレーション研究は、機能的ロール認識セグメンテーションとコントリビューションに基づく評価が、目標フィールド検査のための弱い劣化信号の優先順位付けに役立っていることも示している。
実際の配備により、ConMemは3回の検査サイクルにわたって弱い初期信号を保持しており、現場検査者をターゲットにした早期段階のアザラシ警報を提供する。
関連論文リスト
- Log-Insight: Automating Microservice Incident Diagnosis via Neuro-Symbolic Log Analysis [4.172239714799967]
我々はHuaweiで運用されている自動インシデント診断システムであるLog-Insightを紹介する。
私たちの6段階パイプラインは、統計的に重要な障害信号を保存しながら、数百万の生イベントを1,000～7000倍削減します。
Log-Insight は MRR = 0.790 を達成し、最大3つの仮説の正しい根本原因を1分以内の動作の90%以上で返す。
論文 参考訳（メタデータ） (2026-07-09T14:25:31Z) - EVAF: A Test-Retest Protocol for Selective Parametric Consolidation [0.0]
本稿では,LRA統合のためのEcho-Valence Attractor Field機構であるEVAFを紹介する。
GPT-2 と TinyLlama 全体で、EVAF は高頻度で高サプライズな体験を優先的に統合する。
テスト-再テスト測定では, 凍結, 検索のみ, アンゲートの連続更新ベースラインよりも, 干渉後の動作持続性が強いことが示された。
論文 参考訳（メタデータ） (2026-06-29T07:53:50Z) - MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。
我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。
私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
論文 参考訳（メタデータ） (2026-06-23T13:52:46Z) - Calibration Without Comprehension: Diagnosing the Limits of Fine-Tuning LLMs for Vulnerability Detection in Systems Software [1.0026496861838445]
CWE-Traceは、手動でキュレートされたLinuxカーネルサンプルから構築された脆弱性検出フレームワークである。
対象でない検出,ターゲット検出,CWE分類において,8つのバニラLLMと15のLORA微調整変異体を評価した。
論文 参考訳（メタデータ） (2026-06-18T17:19:26Z) - eMEM: A Hybrid Spatio-Temporal Memory System For Embodied Agents [1.8047694351309203]
物理環境で動作するエンボディエージェントのためのハイブリッドグラフベースメモリシステムeMEMを提案する。
eMEMはこのギャップをマルチインデックスアーキテクチャ(構造化ストレージ用ITE、近傍セマンティックサーチ用hlib、空間クエリ用Rツリー)で埋める。
また,eMEM-Bench v1は,メモリ評価のためのProcTHOR-10Kシーン上で構築したベンチマークである。
論文 参考訳（メタデータ） (2026-06-02T09:22:12Z) - MemQ: Integrating Q-Learning into Self-Evolving Memory Agents over Provenance DAGs [47.66730296440261]
我々は,新たなメモリが生成されるたびに記憶が取得されたことを記録した証明DAGを通じて,クレジットを後方に伝播するMemQを紹介した。
6つのベンチマークで、MemQは、一般化評価とランタイム学習の6つすべてで最高成功率を達成した。
さらに、$と$がEC-MDP構造とどのように相互作用するかを研究し、パラメータ選択と将来の研究の原則的なガイダンスを提供する。
論文 参考訳（メタデータ） (2026-05-08T18:30:24Z) - Detecting Clinical Discrepancies in Health Coaching Agents: A Dual-Stream Memory and Reconciliation Architecture [71.46525715889656]
汎用エージェントメモリシステムは、ユーザの最新のステートメントで古い事実を上書きすることでコヒーレンスを最適化する。
本稿では,患者の物語を構造化された臨床記録から厳密に分離するDual-Stream Memory Architectureを提案する。
675日間のウェルネスコーチングセッションにおいて,26名の患者を対象にこのアーキテクチャを評価した。
論文 参考訳（メタデータ） (2026-04-29T17:59:28Z) - Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。
我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。
ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文 参考訳（メタデータ） (2026-03-18T06:15:35Z) - Detecting Object Tracking Failure via Sequential Hypothesis Testing [80.7891291021747]
ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。
本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。
本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
論文 参考訳（メタデータ） (2026-02-13T14:57:15Z) - Trace Sampling 2.0: Code Knowledge Enhanced Span-level Sampling for Distributed Tracing [41.23073783376032]
Smpling 2.0を導入します。これはトレース構造の一貫性を維持しながら、スパンレベルで動作します。
我々は、98.1%の障害範囲をカバーしながら、トレースサイズを81.2%削減することを示した。
根本原因分析において有効性を示し,平均8.3%の改善を達成した。
論文 参考訳（メタデータ） (2025-09-17T09:37:35Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z)
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。