論文の概要: Sensor-Level Fault Diagnosis for Automotive Software Validation Using Large Language Models

• arxiv url: http://arxiv.org/abs/2608.05921v1
• Date: Thu, 06 Aug 2026 11:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.897181
• Title: Sensor-Level Fault Diagnosis for Automotive Software Validation Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた自動車ソフトウェア検証のためのセンサレベル故障診断
• Abstract要約: 本研究では,オープンソースの命令調整型大規模言語モデル(LLM)が,検証ループ内の故障検出と診断のための,データ効率と解釈可能なエンジンとして機能するかどうかを検討する。 dSPACEリアルタイムプラットフォーム上の自動要件チェックは、安全要件に違反した記録を最初に分離し、これらのみを検査する。 20億から80億のパラメータからなる4つのモデルファミリーを,6つのインジェクト断層クラスにまたがるガソリンエンジンのケーススタディに適応し,試験を行った。
• 参考スコア（独自算出の注目度）: 1.9435397960631864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The pre-series validation of automotive software on hardware-in-the-loop (HIL) platforms produces large volumes of multivariate sensor recordings whose assessment against functional safety requirements exceeds what manual review can sustain at campaign scale. Threshold-based tooling reports that a deviation has occurred but neither identifies its nature nor locates its source, while data-driven classifiers, although accurate, rely on large labelled datasets and return opaque decisions that sit uneasily with the traceability demanded by ISO 26262. This study examines whether open-source instruction-tuned large language models (LLMs), given a textual description of sensor behaviour, can serve as data-efficient and interpretable engines for fault detection and diagnosis inside the validation loop. A two-phase framework is proposed: automated requirement checking on a dSPACE real-time platform first isolates the recordings that violate a safety requirement, and only these are inspected, with sliding windows of the signals reduced to statistical, relational, and contextual descriptors, embedded in a fixed prompt, and mapped by a 4-bit low-rank-adapted LLM to a fault location accompanied by a written justification. Four model families ranging from two to eight billion parameters were adapted and tested on a gasoline-engine case study spanning six injected fault classes. The smallest model matched the largest at 81.6\% accuracy, whereas a comparably sized model failed to converge, indicating that diagnostic competence under task-specific adaptation follows convergence rather than parameter count, with the entire adapt-and-evaluate cycle fitting on a single commodity accelerator.
• Abstract（参考訳）: ハードウェア・イン・ザ・ループ(HIL)プラットフォーム上での自動車ソフトウェアのプレシリーズバリデーションでは,機能的安全性要件に対する評価が,キャンペーン規模で手作業によるレビューが維持できる範囲を超えている多変量センサ記録が大量に作成されている。 Thresholdベースのツールによると、偏差は発生しているが、その性質やソースの特定はできない。一方、データ駆動型分類器は正確ではあるが、大きなラベル付きデータセットに依存し、ISO 26262が要求するトレーサビリティに確実に適合する不透明な決定を返す。 本研究では,センサの動作をテキストで記述したオープンソースの命令調整型大規模言語モデル(LLM)が,検証ループ内の故障検出と診断のための,データ効率と解釈可能なエンジンとして機能するかどうかを検討する。 dSPACEのリアルタイムプラットフォーム上の自動要求チェックは、まず安全要件に違反した記録を分離し、これらのみを検査し、信号のスライディングウィンドウを統計的、リレーショナル、コンテキスト記述子に還元し、固定プロンプトに埋め込んで、4ビットのローランク適応LPMでマッピングする。 20億から80億のパラメータからなる4つのモデルファミリーを,6つのインジェクト断層クラスにまたがるガソリンエンジンのケーススタディに適応し,試験を行った。 最小のモデルは81.6\%の精度で最大の精度で一致したが、比較可能な大きさのモデルでは収束しなかった。

関連論文リスト

• Fault Detection and Explainable Classification in Automotive HIL Validation via Denoising Autoencoders and In-Context Large Language Models [1.9435397960631864]
  機械学習とディープラーニングは高度な故障診断を持っているが、ほとんどの教師付きモデルは大きなラベル付きデータセットを必要とする。 実時間検証における故障検出と分類のための汎用的で説明可能な2相フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-04T06:43:43Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• LiteInception: A Lightweight and Interpretable Deep Learning Framework for General Aviation Fault Diagnosis [6.808072483116578]
  一般の航空事故の診断と効率的なメンテナンスは、飛行安全性に不可欠である。 リソース制約のあるエッジデバイスにディープラーニングモデルをデプロイすることは、計算能力と解釈可能性に二重の課題をもたらす。 本稿では,エッジデプロイメント用に設計された軽量な解釈可能な故障診断フレームワークLiteInceptionを提案する。
  論文  参考訳（メタデータ） (2026-04-02T07:45:10Z)
• Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
  機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。 MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。 本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2026-02-08T16:06:12Z)
• PaperAudit-Bench: Benchmarking Error Detection in Research Papers for Critical Automated Peer Review [54.141490756509306]
  本稿では、エラーデータセットであるPaperAudit-Datasetと、自動レビューフレームワークであるPaperAudit-Reviewの2つのコンポーネントからなるPaperAudit-Benchを紹介する。 PaperAudit-Benchの実験では、モデルと検出深さの誤差検出可能性に大きなばらつきが示された。 本研究では,SFTおよびRLによる軽量LLM検出器のトレーニングをサポートし,計算コストの削減による効率的な誤り検出を実現する。
  論文  参考訳（メタデータ） (2026-01-07T04:26:12Z)
• Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
  本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。 本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
  論文  参考訳（メタデータ） (2025-10-02T06:25:10Z)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)
• Towards Automated Error Discovery: A Study in Conversational AI [48.735443116662026]
  本稿では,会話型AIにおけるエラーの検出と定義のためのフレームワークであるAutomated Error Discoveryを紹介する。 また,その実装に対するエンコーダに基づくアプローチとして,SEEED(Soft Clustering Extended-Based Error Detection)を提案する。
  論文  参考訳（メタデータ） (2025-09-13T14:53:22Z)
• AI-Powered Machine Learning Approaches for Fault Diagnosis in Industrial Pumps [0.0]
  本研究では,実世界のセンサデータを用いた産業用ポンプシステムにおける早期故障検出の実践的アプローチを提案する。 フレームワークはスケーラブルで、解釈可能で、リアルタイムな産業展開に適している。
  論文  参考訳（メタデータ） (2025-08-21T13:33:09Z)
• Fault detection and diagnosis for the engine electrical system of a space launcher based on a temporal convolutional autoencoder and calibrated classifiers [0.0]
  本稿では,次世代再利用可能な宇宙ランチャーの故障検出・診断機能開発に向けた第一歩を概説する。 文献における既存のアプローチとは異なり、我々のソリューションはより広い範囲の重要な要件を満たすように設計されています。 提案手法は、時間畳み込みオートエンコーダに基づいて、原センサデータから低次元特徴を自動的に抽出する。
  論文  参考訳（メタデータ） (2025-07-17T11:50:29Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)

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。