論文の概要: An LLM-Orchestrated Neuro-Symbolic Framework for Verifying Diagnostic Signal Reachability in Electronic Systems
- arxiv url: http://arxiv.org/abs/2611.07040v1
- Date: Wed, 04 Nov 2026 19:04:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.430364
- Title: An LLM-Orchestrated Neuro-Symbolic Framework for Verifying Diagnostic Signal Reachability in Electronic Systems
- Title（参考訳）: 電子システムにおける診断信号の到達性検証のためのLCM-Orchestrated Neuro-Symbolic Framework
- Abstract要約: 診断信号到達可能性(DSR)は、管理コントローラによってボードレベルの健康信号が観測可能であるかどうかをキャプチャする。
本稿では,LLMがDSRパイプラインをオーケストレーションするニューロシンボリック・フレームワークであるNetFlow-DSRを提案する。
- 参考スコア（独自算出の注目度）: 3.4199045834354855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diagnostic Signal Reachability (DSR) captures whether board-level health signals are observable by management controllers, including baseboard management controllers (BMCs), complex programmable logic devices (CPLDs), and other smart controllers. Verifying DSR is essential for field diagnosability in datacenter fleets, where one design is deployed at massive scale, yet it remains largely manual, since each signal is traced by hand across schematic sheets, renamed nets, series components, and monitoring devices. Large language models (LLMs) are attractive but unreliable at structural connectivity reasoning, where over-claiming can silently hide a rare coverage gap. We present NetFlow-DSR, a neuro-symbolic framework in which an LLM orchestrates the DSR pipeline and resolves device roles mainly from part-name families and library pin names, consulting specifications only for ambiguous parts. Pin directionality is read from the design library, and deterministic graph engines verify connectivity over the authoritative netlist. The pipeline detects diagnostic nets, canonicalizes renamed net fragments, and performs controller-seeded, power-aware breadth-first search over an admissibility graph that credits device-mediated monitoring. Each verdict carries an auditable trace card whose proof path is the witness. Across five production boards from an AI platform, covering 421 expert-graded signals, a three-stage ablation improves pooled F1 from 0.578 to 0.944. Because a monitored verdict is emitted only with a proof path, the verifier is sound by construction, and precision and specificity were 100% in the evaluated data. In a cross-model study on the system-controller module, precision remained 100% across three LLMs while recall tracked each model's device-semantic extraction. Precision therefore depends on the netlist-grounded verifier and correct device semantics rather than on any single LLM.
- Abstract（参考訳）: 診断信号到達可能性(DSR)は、ベースボード管理コントローラ(BMC)、複雑なプログラム可能なロジックデバイス(CPLD)、その他のスマートコントローラなど、管理コントローラによってボードレベルの健康信号が観測可能であるかどうかをキャプチャする。
DSRの検証は、大規模に1つの設計が展開されているデータセンター群におけるフィールド診断に不可欠であるが、各信号が手作業で手作業で追跡され、ネット、シリーズコンポーネント、監視装置に改名されるため、ほとんど手動のままである。
大規模言語モデル(LLM)は、構造的接続性推論において魅力的だが信頼性が低い。
我々は、LLMがDSRパイプラインをオーケストレーションし、主にパート名ファミリーとライブラリピン名からデバイスロールを解決し、曖昧な部分のみをコンサルティング仕様とする、ニューロシンボリックなフレームワークであるNetFlow-DSRを提案する。
ピン方向性は設計ライブラリから読み出され、決定論的グラフエンジンは信頼できるネットリスト上の接続を検証する。
パイプラインは診断ネットを検出し、名前のついたネットフラグメントを標準化し、デバイスを介する監視を認証する許容グラフ上で、コントローラシードでパワーを意識したブロードスファーストサーチを実行する。
各評決は、証人が証人である監査可能なトレースカードを運ぶ。
AIプラットフォームの5つのプロダクションボードで、421のエキスパートグレードの信号をカバーし、3段階のアブレーションにより、プールされたF1が0.578から0.944に改善される。
監視された判定は証明パスのみで出力されるため、検証者は構成によって音声であり、精度と特異性は評価データで100%であった。
システム・コントローラモジュールに関するクロスモデル研究では、各モデルのデバイス・セマンティック抽出をリコールしながら、3つのLLMで100%精度が保たれていた。
したがって精度は、単一のLLMではなく、ネットリストのグラウンド検証と正しいデバイスセマンティクスに依存する。
関連論文リスト
- Reliability-Consistent Appearance Modeling for RGB-Infrared Multi-Object Tracking [70.91326539256316]
信頼性に一貫性のある外観モデリングフレームワークであるRCA-MOTを提案する。
モダリティ間の相補性を保ちながら、表現後証拠の制御性を保っている。
RCA-MOTはVT-MOTとUniRTLに新しいSOTA結果を設定し、以前の最高のHOTAを5.402/6.075ポイント、IDF1を11.549/12.789ポイント改善した。
論文 参考訳（メタデータ） (2026-10-16T08:30:48Z) - TELLER: Non-intrusive Cross-Layer Root-Cause Analysis for LLM Inference [47.62941623025392]
本稿では,非侵入的でログ対応なLLM推論フレームワークであるTELLERについて紹介する。
TELLERはモデルバイナリを変更することなく、NVTX/CUPTIトレースとサービスログを収集する。
リクエスト毎のコールチェーンツリーを再構築し、ログ行と対応する実行ステップをアライメントする。
これらの表現に加えて、TELLERは数値的候補のローカライゼーションとマルチモーダルな根起因モデルを組み合わせる。
論文 参考訳（メタデータ） (2026-08-03T09:39:11Z) - What Happens Inside Agent Memory? Circuit Analysis from Emergence to Diagnosis [19.29853121538131]
我々はQwen-3ファミリー(0.6B-14B)と2つのメモリフレームワーク(mem0とA-MEM)の回路をトレースする。
我々は無監督段階診断を開発し,76.2%の精度でサイレント障害を責任ある手術に局在させる。
論文 参考訳（メタデータ） (2026-05-05T04:17:22Z) - Large Language Models as Explainable Cyberattack Detectors for Energy Industrial Control Systems [1.784933900656067]
既製の大型言語モデル (LLM) がICS検出器の補完的, 人為的なループ層として機能するかどうかを検討した。
我々はこれを2つのパブリックICSデータセット上のバイナリネットワーク側正規/クリティカル決定タスクとみなした。
LLMは、アナリストレビューのための簡潔でトークンベースのインシデントレコードとともに、通常の/クリティカルなアラートを生成する。
論文 参考訳（メタデータ） (2026-04-28T19:44:38Z) - Fully Autonomous Z-Score-Based TinyML Anomaly Detection on Resource-Constrained MCUs Using Power Side-Channel Data [0.13750624267664155]
本稿では,低消費電力マイクロコントローラに実装した完全自律型Tiny Machine Learning (TinyML) Z-Scoreによる異常検出システムを提案する。
異常は軽量なZスコアしきい値を用いて検出され、組み込み配置に適した解釈可能かつ計算効率の良い推論が可能である。
結果は、精度1.00の精度とリコール、数十マイクロ秒の推論レイテンシ、メモリフットプリント全体の約3.3KBと63KBのフラッシュの完全な検出性能を示す。
論文 参考訳（メタデータ） (2026-03-28T20:15:50Z) - RVLM: Recursive Vision-Language Models with Adaptive Depth [0.1631115063641726]
RVLMは単一パス推論を反復生成実行ループに置き換える。
すべての診断クレームは、監査性要件を満たす実行可能なコードに基礎を置いています。
Gemini 2.5 Flashを用いたBraTS 2023 Meningioma (脳MRI) とMIMIC-CXR (胸部X線) の評価を行った。
論文 参考訳（メタデータ） (2026-03-25T11:52:55Z) - Cross-Layer Detection of Wireless Misbehavior Using 5G RAN Telemetry and Operational Metadata [0.0]
本研究では,物理層計測,MACスケジューリング決定,構成メタデータのコヒーレンスに及ぼす操作の影響について検討する。
すべての操作は、単一のテレメトリソースから見えない、明瞭で再現可能なシグネチャを生成する。
クロス層コヒーレンス(英語版)は標準のgNBテレメトリのみを用いてアップリンク誤りを検出する実用的な信号を提供することを示す。
論文 参考訳（メタデータ） (2025-11-26T18:53:26Z) - QiMeng-SALV: Signal-Aware Learning for Verilog Code Generation [47.82802346420197]
我々は,Verilogコード生成のための信号認識学習(QiMeng-SALV)を提案する。
トレーニングデータにおける参照モジュールの機能的正当性を,参照モジュールの機能的正当性と比較することにより検証する。
最後に,信号レベル符号セグメントに最適化された信号認識型DPOを提案する。
論文 参考訳（メタデータ） (2025-10-22T06:58:07Z) - Source-Free Object Detection with Detection Transformer [59.33653163035064]
Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。
ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。
本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
論文 参考訳（メタデータ） (2025-10-13T07:35:04Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - Beyond Next Token Probabilities: Learnable, Fast Detection of Hallucinations and Data Contamination on LLM Output Distributions [60.43398881149664]
LLM出力シグナチャの効率的な符号化を訓練した軽量アテンションベースアーキテクチャであるLOS-Netを紹介する。
非常に低い検出レイテンシを維持しながら、さまざまなベンチマークやLLMで優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-18T09:04:37Z)
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。