arXiv cs.AI· Hugo Math·· 11 小时前AI 评分27
用 Transformer 与 LLM 统一建模高基数事件序列：从预测、因果发现到推理的车辆故障诊断框架
Learning to Predict, Discover, and Reason in High-Cardinality Event Sequences
AI 导读
一篇博士论文提出将现代车辆中数以万计的 DTC 诊断事件序列当作语言来建模，统一事件序列预测、因果发现与 LLM 推理三部分。工作包括多种基于 Transformer 的预测性维护架构、可扩展的样本级与群体级因果发现框架，以及自动合成布尔 EP 规则的多智能体系统。
正文 · AI 翻译
摘要：现代车辆中嵌入的电子控制单元（ECU）会产生大量被称为诊断故障码（DTC）的异步事件。这些离散事件构成复杂的时间序列，反映了车辆各子系统健康状况的演变。在汽车行业中，领域专家使用布尔规则手动将这些代码分组为更高层级的错误模式（EP），以刻画系统故障并确保安全。然而，随着车辆复杂度的提升，这一手动过程变得日益昂贵、易错且难以扩展。值得注意的是，现代车辆中唯一 DTC 的数量与自然语言的词汇量处于同一数量级，通常可达数万个。这一观察促成了范式转变：将诊断序列视为一种可以被建模、预测并最终解释的语言。传统统计方法无法捕捉丰富的依赖关系，也无法扩展到以数千个节点、大样本量和长序列长度为特征的高基数数据集。具体而言，工业日志中分类事件空间的高基数构成了重大挑战，需要针对此类事件驱动系统量身定制新的机器学习架构。本论文通过将事件序列建模、因果发现和大语言模型（LLM）统一为一个连贯的事件流框架，来解决自动化故障诊断问题。论文分为三部分，反映了从预测到因果理解、最终到车辆诊断推理的渐进过渡。因此，我们引入了若干基于 Transformer 的预测性维护架构、可扩展的样本级和群体级因果发现框架，以及一个可自动合成布尔 EP 规则的多智能体系统。
| 评论： | 博士论文，正文 141 页，总计 207 页 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2603.16313 [cs.AI] |
| （或 arXiv:2603.16313v4 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.16313 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Hugo Math [查看邮箱]
[v1]
2026 年 3 月 17 日星期二 09:45:01 UTC（3,887 KB）
[v2]
2026 年 3 月 19 日星期四 10:30:31 UTC（3,888 KB）
[v3]
2026 年 8 月 27 日星期四 08:24:54 UTC（3,902 KB）
[v4]
2026 年 10 月 23 日星期五 08:33:42 UTC（1,985 KB）
来源：arXiv cs.AI · arxiv.org