論文の概要: Decoupling Error Attribution in Cloud-Native Graph-RAG: A Data Integrity Diagnostic Framework

• arxiv url: http://arxiv.org/abs/2609.13324v1
• Date: Thu, 10 Sep 2026 22:56:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.225534
• Title: Decoupling Error Attribution in Cloud-Native Graph-RAG: A Data Integrity Diagnostic Framework
• Title（参考訳）: Cloud-Native Graph-RAGにおけるエラー属性の分離:データ統合診断フレームワーク
• Abstract要約: グラフシステムは、しばしば、クラウドベースのデータベースにおける摂動の深刻な影響を見越して、原始的なデータ品質を前提とします。 本稿では,誤りを推論損失とみなす3層分離診断フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.897556968132953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-RAG systems often assume pristine data quality, overlooking the severe impact of perturbations in cloud-native databases. This paper proposes a three-layer decoupled diagnostic framework to orthogonally attribute system errors to reasoning loss, Knowledge Graph (KG) defects, and Cypher generation errors. Evaluated on a spatio-temporal ecological KG of the Southeastern Tibet region with eight defect types, results reveal that data integrity, rather than algorithmic reasoning, is the dominant performance bottleneck, with structural defects degrading system accuracy from 0.93 to 0.39. Crucially, we observe a masking-like phenomenon termed the Parametric Knowledge Masking Effect (PKME), suggesting LLMs compensate for broken retrieval paths using internal memory. This shrinks apparent query generation errors by over 70 percent, obscuring actual storage deterioration and increasing the risk of false negatives for automated monitoring. This work provides a quantitative foundation for auditing and optimizing data integrity in cloud-based information fusion systems.
• Abstract（参考訳）: グラフRAGシステムは、しばしば、クラウドネイティブデータベースにおける摂動の深刻な影響を見越して、原始的なデータ品質を前提とします。 本稿では,システムエラーを推論損失,知識グラフ(KG)欠陥,Cypher生成エラーに直交する3層分離診断フレームワークを提案する。 東北地方南東部の時空間的KGを8種類の欠陥タイプで評価した結果, 構造的欠陥が0.93から0.39に低下し, アルゴリズム的推論よりもデータ完全性が主なパフォーマンスボトルネックであることが判明した。 本稿では,PKME(Parametric Knowledge Masking Effect)と呼ばれるマスキングのような現象を観察し,内部記憶を用いた回復経路の補正をLLMが提案する。 これにより、明らかなクエリ生成エラーを70%以上削減し、実際のストレージ劣化を回避し、自動監視のための偽陰性のリスクを増大させる。 この研究は、クラウドベースの情報融合システムにおけるデータの完全性を監査し、最適化するための定量的基盤を提供する。

関連論文リスト

• Graphical Causal Reasoning for Root Cause Analysis in Cloud Networks [6.527926874739627]
  クラウドコンピューティングは本質的に複雑なシステムである大規模ネットワークに依存している。 本稿では,ネットワークインシデントにおける根本原因分析(RCA)の新たなアプローチとして,グラフに基づく因果探索手法を提案する。
  論文  参考訳（メタデータ） (2026-06-11T16:20:51Z)
• Confident Learning for Object Detection under Model Constraints [0.05131152350448099]
  エッジデバイス上での農業雑草検出は、モデルキャパシティ、計算リソース、リアルタイム推論レイテンシに厳しい制約が課される。 本稿では,データ品質の欠陥を反復診断し,修正することにより検出性能を向上させるデータ中心型フレームワークであるMDDCを提案する。
  論文  参考訳（メタデータ） (2026-01-14T15:32:08Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Towards Generalizable Context-aware Anomaly Detection: A Large-scale Benchmark in Cloud Environments [9.465361225779738]
  クラウド環境における異常検出は、依然として重要かつ困難である。 既存のコンテキストレベルのベンチマークは通常、メトリクスまたはログにフォーカスする。 クラウド環境におけるコンテキスト異常の大規模ベンチマークであるCloudAnoBenchを紹介した。
  論文  参考訳（メタデータ） (2025-08-03T16:59:43Z)
• Adaptive Signal Analysis for Automated Subsurface Defect Detection Using Impact Echo in Concrete Slabs [0.0]
  本研究は,コンクリートスラブの地下欠陥発生領域を検出するための,新しい,自動化された,スケーラブルな手法を提案する。 このアプローチは、高度な信号処理、クラスタリング、および視覚分析を統合して、地下の異常を識別する。 結果は方法論の堅牢性を示し、最小限の偽陽性とほとんど欠陥のない欠陥発生領域を一貫して同定した。
  論文  参考訳（メタデータ） (2024-12-23T20:05:53Z)
• Unsupervised Learning for Fault Detection of HVAC Systems: An OPTICS -based Approach for Terminal Air Handling Units [1.0878040851638]
  本研究では,ターミナルエアハンドリングユニットとその関連システムにおける故障を検出するための教師なし学習戦略を提案する。 この手法は、主成分分析を用いて歴史的センサデータを前処理して次元を合理化する。 その結果,オプティクスは季節ごとの精度で常にk平均を上回っていた。
  論文  参考訳（メタデータ） (2023-12-18T18:08:54Z)
• GraphGuard: Detecting and Counteracting Training Data Misuse in Graph Neural Networks [69.97213941893351]
  グラフデータ分析におけるグラフニューラルネットワーク(GNN)の出現は、モデルトレーニング中のデータ誤用に関する重要な懸念を引き起こしている。 既存の手法は、データ誤用検出または緩和のいずれかに対応しており、主にローカルGNNモデル用に設計されている。 本稿では,これらの課題に対処するため,GraphGuardという先駆的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-13T02:59:37Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Defect segmentation: Mapping tunnel lining internal defects with ground penetrating radar data using a convolutional neural network [13.469645178974638]
  本研究では, トンネル内部欠陥の非破壊検出のための地中貫入レーダ(GPR)データ処理手法を提案する。 この手法では、内部欠陥構造をGPR合成データにマッピングするために、Segnetと呼ばれるCNNとLov'aszソフトマックス損失関数を組み合わせる。
  論文  参考訳（メタデータ） (2020-03-29T19:30:59Z)

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。