跳转至

在高维事件序列中学习预测、发现与推理

文章背景与核心概要

现代汽车依赖于电子控制单元（ECU），这些单元会产生海量的异步诊断故障代码（DTC）。传统上，汽车专家通过布尔规则手动将这些代码分组来识别系统故障。然而，随着现代汽车的独立DTC数量扩展到数万个——其规模堪比自然语言词汇量——这种人工流程变得成本高昂、容易出错且难以为继。

本博士学位论文引入了一种范式转变，将高维诊断序列视作一种需要建模、预测和解释的“语言”。该研究将事件序列建模、因果发现和大语言模型（LLM）融为一个统一的框架，具体包含：1. 用于预测性维护的基于Transformer的架构；2. 在样本和总体层面上均可运行的可扩展因果发现框架；3. 能够自动综合布尔错误模式规则的多智能体系统。

摘要 (Summary)

现代车辆依赖于电子控制单元（ECU），这些单元会产生海量的异步诊断故障代码（DTC）。传统上，汽车专家手动使用布尔规则对这些代码进行分组，以识别系统故障。然而，随着现代汽车扩展到数万个独特的DTC——堪比自然语言词汇量——这种人工流程变得成本高昂、容易出错且难以为继。

Modern vehicles rely on electronic control units (ECUs) that generate vast quantities of asynchronous diagnostic trouble codes (DTCs). Traditionally, automotive experts manually group these codes using Boolean rules to identify system faults. However, as modern vehicles scale to tens of thousands of unique DTCs—rivaling natural language vocabularies—this manual process becomes costly, error-prone, and unsustainable.

这篇博士学位论文通过将高维诊断序列视为一种需要建模、预测和解释的语言，引入了一种范式转变。该研究将事件序列建模、因果发现和大型语言模型（LLM）桥接为一个统一的框架。它提出了： 1. 用于预测性维护的基于Transformer的架构。 2. 在样本和总体级别上运行的可扩展因果发现框架。 3. 能够自动合成布尔错误模式规则的多智能体系统。

This PhD dissertation introduces a paradigm shift by treating high-dimensional diagnostic sequences as a language to be modeled, predicted, and explained. The research bridges event sequence modeling, causal discovery, and Large Language Models (LLMs) into a unified framework. It presents: 1. Transformer-based architectures for predictive maintenance. 2. Scalable causal discovery frameworks operating at both the sample and population levels. 3. A multi-agent system capable of automatically synthesizing Boolean error pattern rules.

元数据 (Metadata)

  • arXiv ID: arXiv:2603.16313 [cs.AI]
  • 主要学科 (Primary Subject): 人工智能 (cs.AI)
  • 次要学科 (Secondary Subjects): 机器学习 (cs.LG)
  • 作者 (Author): Hugo Math
  • 提交时间 (Submitted): 2026年3月17日 (v1)；最后修订: 2026年8月27日 (v3)
  • 文档范围 (Document Scope): 博士学位论文（正文 135 页，总计 201 页）
  • DOI: 10.48550/arXiv.2603.16313
  • arXiv ID: arXiv:2603.16313 [cs.AI]
  • Primary Subject: Artificial Intelligence (cs.AI)
  • Secondary Subjects: Machine Learning (cs.LG)
  • Author: Hugo Math
  • Submitted: March 17, 2026 (v1); Last revised: August 27, 2026 (v3)
  • Document Scope: PhD dissertation (135 pages of main content, 201 pages total)
  • DOI: 10.48550/arXiv.2603.16313