高次元離散イベント列における予測・発見・推論を学ぶ

要約: 現代の車両に組み込まれた電子制御ユニット（ECU）は、多数の非同期イベントを生成します。これらの離散イベントは、車両のサブシステムの健全性が変化する様子を反映する複雑な時系列を形成します。自動車産業では、ドメイン専門家がこれらのコードを手動で、Boolean ルールを用いて、高レベルのエラーパターン（EPs）に分類し、システムの故障を特徴づけ、安全性を確保します。しかし、車両の複雑さが増すにつれて、この手動プロセスはますます高コストで、エラーが生じやすく、スケーリングが難しくなります。特に、現代の車両におけるユニークなDTCの数は、自然言語の語彙と同程度の規模であり、しばしば数万に達します。この観察は、診断シーケンスをモデル化・予測・最終的には説明可能な言語として扱うというパラダイムシフトを促します。従来の統計的アプローチは、豊かな依存関係を捉えきれず、数千のノード、大規模なサンプルサイズ、および長いシーケンス長で特徴付けられる高次元データセットにはスケールしません。特に、産業ログにおけるカテゴリカルイベント空間の高い基数は、重大な課題をもたらし、このようなイベント駆動型システムに合わせた新しい機械学習アーキテクチャの開発を必要とします。この論文は、イベントシーケンスモデリング、因果推論、および大規模言語モデル（LLMs）を統合し、高次元のイベントストリームのための一貫した枠組みを構築することにより、自動故障診断に取り組みます。本論文は、予測から因果理解、そして最終的には車両診断の推論へと段階的に移行する三部構成です。その結果、予知保全のためのTransformerベースのアーキテクチャ、スケーラブルなサンプルレベルおよび母集団レベルの因果推定フレームワーク、そしてBoolean EPルールの自動合成を行うマルチエージェントシステムを導入します。