論文の概要: Causal Analysis of Failures of Cyber-Physical Systems with Continuous Inputs

• arxiv url: http://arxiv.org/abs/2610.30737v1
• Date: Thu, 22 Oct 2026 05:08:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.21707
• Title: Causal Analysis of Failures of Cyber-Physical Systems with Continuous Inputs
• Title（参考訳）: 連続入力によるサイバー物理系の故障の因果解析
• Abstract要約: 本稿では,距離重み付き現実要因と距離重み付き責任度という概念を紹介する。 本稿では, 距離重み付けによる説明探索を誘導する, 効率よく, 実用的で, システムに依存しない説明導出アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 5.436465344481875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern autonomous Cyber-Physical Systems (CPSs), such as self-driving cars, operate in increasingly complex environments while expected to maintain high reliability. The black-box nature of many of these systems makes it impossible to fully verify their behavior prior to deployment. When a failure occurs, it is important to analyze it to guide improvements to system robustness. A recent work introduced the novel concept of leveraging the framework of actual causality for CPS failure explanation. However, that work considered only a discrete, binary causal model that cannot capture continuous changes in system inputs. In this paper, we address these limitations by extending the actual causality framework with the notion of distance to account for the continuous characteristics of the system. Specifically, we introduce the novel concepts of distance-weighted actual cause and distance-weighted degree of responsibility, enabling causal influence to account for the magnitude of changes required to avoid a failure, rather than only its cardinality. While motivated by the continuous nature of CPSs, this constitutes a general extension of the theory of actual causality and enables more fine-grained analysis of continuous inputs in any causal model. Building on these notions, we present an efficient, practical, system-agnostic explanation-derivation algorithm that uses distance-weighted responsibility to guide the explanation search. We experimentally evaluate our approach across a number of environments from two autonomous-driving simulators with black-box neural controllers. The results show that the proposed extension provides more effective guidance than the current discrete approach.
• Abstract（参考訳）: 自動運転車のような現代の自律型サイバー物理システム(CPS)は、高い信頼性を維持しつつ、ますます複雑な環境で運用されている。 これらのシステムの多くはブラックボックスであり、デプロイ前にその動作を完全に検証することは不可能である。 障害が発生した場合、システムの堅牢性を改善するためのガイドとして、それを分析することが重要です。 最近の研究は、CPS障害説明に実際の因果関係の枠組みを活用するという新しい概念を導入している。 しかし、この作業は、システム入力の連続的な変化をキャプチャできない、離散的なバイナリ因果モデルのみが考慮されている。 本稿では,システムの連続的な特性を考慮に入れた距離の概念を用いて,実際の因果関係の枠組みを拡張することで,これらの制約に対処する。 具体的には、距離重み付き現実原因と距離重み付き責任度という新しい概念を導入し、因果的影響は、その基数だけではなく、失敗を避けるために必要な変化の大きさを考慮できる。 CPSの連続性によって動機付けられるが、これは実際の因果性の理論の一般的な拡張を構成し、任意の因果モデルにおける連続入力をよりきめ細かい分析を可能にする。 これらの概念に基づいて、距離重み付けされた責任を利用して説明探索を誘導する、効率的で実用的で、システムに依存しない説明導出アルゴリズムを提案する。 我々は,ブラックボックス型ニューラルコントローラを備えた2つの自律走行シミュレータから,様々な環境におけるアプローチを実験的に評価した。 その結果,提案した拡張は,現在の離散的アプローチよりも効果的なガイダンスを提供することがわかった。

関連論文リスト

• From Graphs to Gradients: Physics-Inspired Structural Attribution for Cyber-Physical IoT Systems and Beyond [7.419398719484998]
  人工知能における解釈可能な説明法は、根本原因とその影響を明らかにすることを目的としている。 本稿では,非指向的エネルギーベース表現を通じて変数依存をモデル化する,統計力学にインスパイアされた新しいフレームワークを提案する。 我々は,ハイブリッド連続変数と離散変数を用いた産業用IoTテストベッド上でのシミュレーションを通じて,我々のフレームワークを実証的に検証した。
  論文  参考訳（メタデータ） (2026-07-06T18:59:27Z)
• Explaining Failures of Cyber-Physical Systems with Actual Causality [14.524535936708356]
  本稿では,CPS故障説明に実際の因果関係の枠組みを活用するという新しい概念を紹介する。 CPSドメインにおける正しい説明の導出を可能にするために必要なガイダンスを提供する。 このアプローチは、ニューラルネットワーク制御された自律走行車のコンテキストで実証され、評価される。
  論文  参考訳（メタデータ） (2026-06-23T13:13:06Z)
• Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations [122.22391796628408]
  Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。 我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。 以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-18T08:45:24Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• Counterfactual-based Root Cause Analysis for Dynamical Systems [0.33748750222488655]
  本稿では,残留ニューラルネットワークを用いた根本原因同定手法を提案する。 構造方程式と外的影響に介入した場合に、より多くの根本原因が同定されることを示す。 本稿では,提案手法が実世界の河川データセットだけでなく,ベンチマーク・ダイナミック・システムにも有効であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T11:38:13Z)
• Extending Structural Causal Models for Autonomous Vehicles to Simplify Temporal System Construction & Enable Dynamic Interactions Between Agents [5.309950889075669]
  我々は、自動運転車と因果推論の分離を橋渡しすることを目指している。 まず、自動運転車における構造因果モデルの統合を制限した課題を特定する。 次に、これらの課題に取り組むために、構造因果モデルフォーマリズムに対する理論的拡張をいくつか導入する。
  論文  参考訳（メタデータ） (2024-06-03T14:47:05Z)
• DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in IIoT Systems [12.641578474466646]
  DyEdgeGATは、IIoTシステムにおける早期故障検出の新しいアプローチである。 動作条件コンテキストをノードダイナミックスモデリングに組み込んで、その正確性と堅牢性を高める。 我々は,DyEdgeGATを人工データセットと実世界の産業規模フロー施設ベンチマークの両方を用いて厳格に評価した。
  論文  参考訳（メタデータ） (2023-07-07T12:22:16Z)

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。