論文の概要: SFlexRCA: Lightweight, Scalable, and Flexible Root Cause Analysis for IIoT Edge Systems

• arxiv url: http://arxiv.org/abs/2610.04893v1
• Date: Sun, 04 Oct 2026 03:01:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 08:10:26.346143
• Title: SFlexRCA: Lightweight, Scalable, and Flexible Root Cause Analysis for IIoT Edge Systems
• Title（参考訳）: SFlexRCA: IIoT Edgeシステムのための軽量でスケーラブルでフレキシブルなルート原因分析
• Abstract要約: SFlexRCAは、リソース制約のあるIIoT環境のためのトポロジフリーのルート原因分析フレームワークである。 我々は、BATADAL、SWaT、WADIの3つの公開IIoTデータセット上でSFlexRCAを評価する。 SFlexRCAは、通常の訓練データに制限があるにもかかわらず、BATADAL上での強いローカライゼーション性能を維持している。
• 参考スコア（独自算出の注目度）: 1.1309064441249301
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial Internet of Things (IIoT) systems generate high-dimensional sensor telemetry from interconnected components, where faults can propagate across the system. To address these challenges, we propose SFlexRCA (Scalable and Flexible Root Cause Analysis), a topology-free RCA framework designed for resource-constrained IIoT environments. SFlexRCA transforms multivariate telemetry into compact orthogonal representations and applies shared lightweight linear modeling, avoiding explicit graph construction, message passing, and per-variable or lag-specific parameter growth. We evaluate SFlexRCA on three publicly available IIoT datasets, BATADAL, SWaT, and WADI, spanning different numbers of monitored variables, temporal characteristics, and training-data regimes. SFlexRCA is compared with 10 statistical, causal, and non-causal baselines in terms of RCA accuracy, training efficiency, inference latency, and memory consumption. In addition, inference efficiency and memory consumption are evaluated on Raspberry Pi 3 and Raspberry Pi 5, while energy consumption is additionally measured on Raspberry Pi 5. We further investigate temporalcontext sensitivity, architectural and loss components, and alternative representations. Notably, SFlexRCA maintains strong localization performance on BATADAL despite its limited normal-operation training data, while its compact shared architecture avoids the parameter growth associated with causal and graph-based approaches. Its lightweight shared architecture further enables efficient deployment on resource-constrained IIoT edge devices. The SFlexRCA code is available at https://github.com/theamrzaki/RootCause- Analysis-Correlation-Attentive-Modeling.
• Abstract（参考訳）: 産業用IoT(Industrial Internet of Things)システムは、相互接続されたコンポーネントから高次元センサーテレメトリを生成し、システム全体に障害が伝播する。 これらの課題に対処するために、リソース制約されたIIoT環境向けに設計されたトポロジフリーRCAフレームワークであるSFlexRCA(Scalable and Flexible Root Cause Analysis)を提案する。 SFlexRCAは、多変量テレメトリをコンパクトな直交表現に変換し、明示的なグラフ構築、メッセージパッシング、および変数ごとまたはラグ毎のパラメータ成長を回避し、共有軽量線形モデリングを適用する。 BATADAL, SWaT, WADIの3つの公開IIoTデータセット上でSFlexRCAを評価する。 SFlexRCAは、RCAの精度、トレーニング効率、推論レイテンシ、メモリ消費の点で、統計的、因果的、非因果的ベースラインの10と比較される。 さらに、Raspberry Pi 3とRaspberry Pi 5で推論効率とメモリ消費を評価し、Raspberry Pi 5でエネルギー消費を計測する。 さらに、時間文脈感度、アーキテクチャおよび損失成分、代替表現について検討する。 特にSFlexRCAは、通常の訓練データに制限があるにもかかわらず、BATADAL上での強力なローカライゼーション性能を維持し、そのコンパクトな共有アーキテクチャは因果的およびグラフベースのアプローチに関連するパラメータの増大を回避している。 その軽量な共有アーキテクチャにより、リソース制約のあるIIoTエッジデバイスへの効率的なデプロイが可能になる。 SFlexRCAコードはhttps://github.com/theamrzaki/RootCause- Analysis-Correlation-Attentive-Modelingで入手できる。

関連論文リスト

• Complexity-Balanced Diffusion Splitting [20.558008394592097]
  Complexity-Balanced Splitting (CBS)は、時間的キャパシティ割り当てのための原則的なフレームワークである。 CBSは拡散時間軸を等近似重みのセグメントに分割する。 CBSは、ステップごとの推論コストを増大させることなく、継続的に品質を向上する。
  論文  参考訳（メタデータ） (2026-06-04T17:57:15Z)
• SpineContextResUNet: A Computationally Efficient Residual UNet for Spine CT Segmentation [0.21485350418225244]
  SpineContextResUNetは高速な脊髄局在化のための計算効率の良い3次元残留U-Netである。 我々のアーキテクチャは、長距離解剖学的依存関係をキャプチャするために並列な多次元畳み込みを利用する軽量なContext Blockを統合している。 当社のモデルは、堅牢な推論を実行し、ポイント・オブ・ケアの診断とエッジプラットフォームへのデプロイに有効なソリューションとなる。
  論文  参考訳（メタデータ） (2026-05-20T06:00:23Z)
• MambaCSP: Hybrid-Attention State Space Models for Hardware-Efficient Channel State Prediction [37.23142541350246]
  本研究では,LLMに基づく予測バックボーンを線形時間モデルに置き換えるハイブリッドアテンションSSMアーキテクチャであるMambaCSPを提案する。 MambaCSPは、最大3.0倍のスループット、2.6倍のVRAM使用率、2.9倍の高速推論を提供しながら、LCMベースのアプローチよりも予測精度を9-12%向上させる。
  論文  参考訳（メタデータ） (2026-04-23T10:05:33Z)
• Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
  本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。 RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
  論文  参考訳（メタデータ） (2026-02-26T02:45:22Z)
• Deep Convolutional Architectures for EEG Classification: A Comparative Study with Temporal Augmentation and Confidence-Based Voting [0.40822165794627957]
  脳波信号における事象関連電位の分類のためのディープラーニングアーキテクチャの比較研究を行った。 共通空間パターン(CSP)を用いた2次元畳み込みニューラルネットワーク(CNN)と、公正な比較のために生データを直接訓練した2次元CNNと、時間的表現を共同でモデル化する3次元CNNの3つの主要なパイプラインを設計し比較する。
  論文  参考訳（メタデータ） (2026-02-25T20:37:12Z)
• Wireless Federated Multi-Task LLM Fine-Tuning via Sparse-and-Orthogonal LoRA [61.12136997430116]
  低ランク適応(LoRA)に基づく分散連合学習(DFL)により、マルチタスクデータセットを持つモバイルデバイスは、ローカルに更新されたパラメータを、無線接続を介して近隣デバイスのサブセットと交換することで、大きな言語モデル(LLM)を協調的に微調整することができる。 不均一データセットに微調整されたパラメータを直接集約すると、DFLライフサイクルの3つの主要な問題が発生する: (i) 微調整プロセス中に忘れる破滅的な知識、(ii) データの異種性に起因する更新方向の矛盾に起因する。
  論文  参考訳（メタデータ） (2026-02-24T02:45:32Z)
• STEM: Scaling Transformers with Embedding Modules [59.26825251273227]
  STEMは静的なトークンインデックス付きアプローチで、FFNのアッププロジェクションをレイヤローカルな埋め込みルックアップに置き換える。 これにより、ランタイムルーティングを廃止し、非同期プリフェッチによるCPUオフロードを可能にし、トーケン毎のFLOPとデバイス間通信の両方からキャパシティを分離する。 全体として、STEMはパラメトリックメモリのスケーリングに有効な方法であり、解釈性の向上、トレーニングの安定性の向上、効率の向上を実現している。
  論文  参考訳（メタデータ） (2026-01-15T18:00:27Z)
• The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
  大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。 本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
  論文  参考訳（メタデータ） (2025-05-14T08:18:55Z)
• Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User Experiences [118.91584633024907]
  テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:39:50Z)
• Time-Correlated Sparsification for Efficient Over-the-Air Model Aggregation in Wireless Federated Learning [23.05003652536773]
  Federated Edge Learning(FEEL)は、エッジインテリジェンスアプリケーションを駆動するための有望な分散機械学習(ML)フレームワークである。 通信効率の高いFEELのためのハイブリッドアグリゲーション(TCS-H)を用いた時間相関スペーシングを提案する。
  論文  参考訳（メタデータ） (2022-02-17T02:48:07Z)
• iDARTS: Improving DARTS by Node Normalization and Decorrelation Discretization [51.489024258966886]
  微分可能なArchiTecture Search(DARTS)は、ネットワーク表現の継続的緩和を使用し、GPUデーにおいて、ニューラルネットワークサーチ(NAS)を約数千倍高速化する。 しかし、DARTSの探索過程は不安定であり、訓練の時期が大きくなると著しく劣化する。 そこで本研究では,DARTSの改良版であるiDARTSを提案する。
  論文  参考訳（メタデータ） (2021-08-25T02:23:30Z)

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。