ベルトコンベヤ保守ナレッジグラフのための線形トポロジーを意識したアライメントフレームワーク

分散システムにおける障害診断は、複雑なサービス依存関係、連鎖的な異常伝播、類似した症状パターンといった課題に直面している。本論文では、大規模言語モデル(LLM)と数値ドメイン知識グラフ(KG)を統合した知識強化型反復推論フレームワークを提案する。KGは、障害と症状の関係、異常の方向性、およびトレーニングから導出された平均・標準偏差区間をエンコードする。構造化プロンプトにより候補となる障害が生成され、区間検証によって数値的に矛盾する候補が除外される。残った候補に対して、反事実推論により階層的な因果連鎖が構築され、KGトラバーサルによって欠落または矛盾したリンクが修正され、決定論的な証拠スコアが…

• 非構造化技術文書から運用ガイドラインを引き出す神経記号フレームワークを提案し、ベクトル埋め込みを使わないLLMベースのルール抽出パイプラインで3種の記号知識表現を同時構築する。
• SATベースの命題推論CNF句を格納するSQLiteデータベース、有向プロパティグラフのリレーショナル走査、8次元パラメータ空間の軸配置ハイパー長方形という3つの表現を組み合わせる。
• クエリ時にSAT推論チェック、知識グラフ走査、幾何学的包含テストを組み合わせた3パス推論アーキテクチャを採用し、論理的・関係的・数値的証拠を統合して回答を生成する。

• クラウド–エッジ協調型ハードウェアセンシングと証拠制約付きLLM推論によるIT運用フレームワークを提案。エッジ側の動的信頼性スコアで欠落・ノイズ・遅延・ドリフト・フリーズしたチャネルを抑制し、クラウド側で根本原因のランキングと伝播関係・発生時刻を特定する。
• 2024〜2025年に商業銀行の本店および災害復旧データセンターから収集したIT運用データでの実験で、ハードウェア異常検出は精度95.38%、リコール94.71%、F1 94.88%、AUC 97.41%を達成。
• 根本原因特定精度91.84%、Top-3精度97.26%、イベント関係F1 90.73%、時間的位置特定誤差1.82秒を達成。

• LLMが訓練データ由来のジェンダーバイアスを継承・再現する問題に対し、モデルパラメータを変更せずに緩和する後処理フレームワークを提案。
• フィードバック駆動型の外部アラインメントメモリを用い、検出したバイアスを反復的フィードバックで簡潔な修正ルールへ変換。ルールはモデルパラメータから独立して保存され、推論時に検索して応答に反映される。
• 検索は入力クエリと保存済み例のコサイン類似度マッチングで実施し、モデル独立性を保ちながら知識の再利用を可能にする。

• LLMエージェントの手続き知識を(手続き、関係、手続き)のトリプレットで構造化する「手続きグラフ」を導入。現在ノードと周辺サブグラフを解釈し、次の行動を直接指示せず状況に応じたガイダンスを提供する。
• グラフは自己進化型で、LLMリファイナーが失敗軌跡と成功軌跡を比較しトポロジーや属性を編集、検証性能を維持または向上させる。
• 最小限の骨格から開始しても、自己進化ループを通じて手作業で設計されたグラフに匹敵またはそれを超えるグラフを構築でき、欠陥のある専門家の事前知識の修復も可能。