論文の概要: Mining the Self-Rewriting System: A Vision for Data Mining on AI-Native Infrastructure

• arxiv url: http://arxiv.org/abs/2610.25374v1
• Date: Sun, 18 Oct 2026 16:25:01 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:22:18.188955
• Title: Mining the Self-Rewriting System: A Vision for Data Mining on AI-Native Infrastructure
• Title（参考訳）: セルフリライトシステムのマイニング:AI-Native Infrastructureにおけるデータマイニングのビジョン
• Abstract要約: 新興のAIネイティブインフラストラクチャは、学習者の外でデータが生成されるという仮定を無効にする。 我々はこの新たな研究対象を自己書き換えシステムと呼び、結果として生じるシステムによる内因性ドリフトの変化を生かした。 この課題は、不均一なドリフト信号をキャリブレーションされたゲーティングと属性に融合すること、オンラインのリデクシング、忠実性、圧縮決定を通じて知識ファブリックを維持すること、共有評価ゲートを通じて同時学習ストリームを安全に促進すること、の4つの基礎研究課題から構成される。
• 参考スコア（独自算出の注目度）: 9.769936622887455
• License:
• Abstract: Classical data mining treats data as generated outside the learner. Emerging AI-native infrastructure invalidates this assumption: as agents observe system state, act, update retrieval stores and models, and promote new artifacts into the serving path, their own decisions reshape the future logs, traces, corpora, and evaluation records used for later training and release. We call this new research object a self-rewriting system and the resulting system-induced distribution shift endogenous drift. Our central, falsifiable claim is that cross-surface causes are not identifiable in general from marginal per-surface monitoring: different coupled failures can produce the same individual signals while differing in their joint behavior, requiring joint analysis for reliable attribution. This agenda comprises four foundational research problems: fusing heterogeneous drift signals into calibrated gating and attribution (C1); mining agent traces whose activity alphabet evolves (C2); maintaining knowledge fabrics through online reindexing, faithfulness, and compression decisions (C3); and safely promoting concurrent learning streams through one shared evaluation gate (C4). These remain fragmented across concept drift, performative prediction, process mining, streaming retrieval-augmented generation, and MLOps, without a unified data-mining agenda. We outline public benchmarks and evaluation criteria, using AI-native telecom only as a motivating exemplar with analogues in finance, software CI/CD, and clinical decision support.
• Abstract（参考訳）: 古典的なデータマイニングは、学習者の外部で生成されたデータを扱う。 エージェントがシステムの状態を観察し、行動し、検索ストアとモデルを更新し、新しいアーティファクトをサービスパスに昇格させることで、将来のログ、トレース、コーポラ、後のトレーニングとリリースに使用される評価レコードを再生成する。 我々はこの新たな研究対象を自己書き換えシステムと呼び、結果として生じるシステムによる内因性ドリフトの変化を生かした。 我々の中心的、偽証可能な主張は、表面の異なる結合障害は、その関節の挙動を異にしながら、信頼性の高い帰属のために共同分析を要求しながら、同一の個別の信号を生成することができる。 この課題は、不均一なドリフト信号を校正ゲーティングと属性に融合させる(C1)、活動アルファベットが進化する(C2)マイニングエージェントトレース、オンラインリデクシング、忠実性、圧縮決定(C3)による知識ファブリックの維持(C3)、共有評価ゲート(C4)による同時学習ストリームの安全な促進、の4つの基礎研究課題を含む。 これらは、概念の漂流、パフォーマンス予測、プロセスマイニング、ストリーミング検索拡張生成、MLOpsなど、統一されたデータマイニングアジェンダなしで断片化されている。 我々は、AIネイティブなテレコムを金融、ソフトウェアCI/CD、臨床意思決定支援における類似のモチベーションとしてのみ使用して、公開ベンチマークと評価基準を概説する。

関連論文リスト

• Topological Attribution Distance (TAD): Revealing Segment-Level RAG Influence on LLM Output Geometry for Incident Log Analysis [1.3543506826034255]
  出力のグローバルな形状を特徴付けるために,Topological Attribution Distance (TAD)を提案する。 TADは、セグメントレベルのアブレーション属性を利用して、実際のサイバー攻撃のインシデントログを調査する。 これにより、検索したログの隠された状態に基づいて、説明可能な信頼性のあるトレースが可能になる。
  論文  参考訳（メタデータ） (2026-08-17T16:21:18Z)
• Robust Unsupervised Network Intrusion Detection via Federated Learning with Selective Aggregation under Anomalous Sample Contamination [1.3218606066831913]
  教師なし学習アプローチは、ラベル付きデータセットへの依存を取り除くことによって、有望な方向を提供する。 このような汚染は検出性能を低下させ、堅牢な教師なしNIDS法の必要性を強調している。 本研究では, ラベルなし異常の存在下においても有効である, 異常検出(AD)のための堅牢なトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2026-07-28T08:32:41Z)
• Causal Algorithmic Recourse: Foundations and Methods [57.73269033551628]
  AIシステムの主な特徴は、個人が否定的な決定を覆す方法のレコメンデーションを提供する能力である。 既存のアプローチでは、recourseの結果を固定単位の反事実として扱う。 我々は、事前および事後結果のプロセスとして、会話をモデル化する因果的枠組みを開発する。
  論文  参考訳（メタデータ） (2026-05-12T00:55:19Z)
• NeuroTrace: Inference Provenance-Based Detection of Adversarial Examples [1.096626056612224]
  Inference Provenance Graphs (IPGs) を用いた推論前駆体分析フレームワークであるNeuroTraceを紹介する。 IPGは、モデルの前方通過中にアクティベーション動作とパラメータ誘起データフローの両方をキャプチャする異種グラフである。 攻撃中, マルチアタック, クロススリート転送設定下での逆例検出のためのIPGベース検出器の評価を行った。
  論文  参考訳（メタデータ） (2026-04-15T22:23:40Z)
• AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model [1.14219428942199]
  既存の自動研究システムは、ステートレスでリニアなパイプラインとして動作する。 マルチエージェントオーケストレーションフレームワークである textbfAI-Supervisor を提案する。 エージェントは、人間の関心によって駆動されるエンドツーエンドのAI研究の監督を提供する。
  論文  参考訳（メタデータ） (2026-03-25T15:16:51Z)
• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• CCNETS: A Modular Causal Learning Framework for Pattern Recognition in Imbalanced Datasets [0.0]
  Causal Cooperative Networks (CCNETS) は、統一因果パラダイム内で生成、推論、再構築を統合するモジュール型学習フレームワークである。 現実のクレジットカード不正検出データセット上でのCCNETSの評価を極端不均衡(詐欺の場合0.2%)で行う。
  論文  参考訳（メタデータ） (2024-01-07T14:41:31Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)

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。