論文の概要: SLIM: a Scalable Light-weight Root Cause Analysis for Imbalanced Data in Microservice

• arxiv url: http://arxiv.org/abs/2405.20848v1
• Date: Fri, 31 May 2024 14:32:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-03 14:18:09.508848
• Title: SLIM: a Scalable Light-weight Root Cause Analysis for Imbalanced Data in Microservice
• Title（参考訳）: SLIM: マイクロサービスにおける不均衡データに対するスケーラブルな軽量ルート原因分析
• Authors: Rui Ren, Jingbang Yang, Linxiao Yang, Xinyue Gu, Liang Sun,
• Abstract要約: 既存のフォールトローカライゼーションの最先端手法では、変更サービスにおける不均衡なフォールト分類を考慮することは稀である。 本稿では,高不均衡なデータを扱うために決定ルールセットを利用する新しい手法を提案する。 我々のアルゴリズムは、変更サービスの不均衡な障害シナリオに適応し、理解し、検証し易い障害原因を解釈できる。
• 参考スコア（独自算出の注目度）: 11.006453256506235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The newly deployed service -- one kind of change service, could lead to a new type of minority fault. Existing state-of-the-art methods for fault localization rarely consider the imbalanced fault classification in change service. This paper proposes a novel method that utilizes decision rule sets to deal with highly imbalanced data by optimizing the F1 score subject to cardinality constraints. The proposed method greedily generates the rule with maximal marginal gain and uses an efficient minorize-maximization (MM) approach to select rules iteratively, maximizing a non-monotone submodular lower bound. Compared with existing fault localization algorithms, our algorithm can adapt to the imbalanced fault scenario of change service, and provide interpretable fault causes which are easy to understand and verify. Our method can also be deployed in the online training setting, with only about 15% training overhead compared to the current SOTA methods. Empirical studies showcase that our algorithm outperforms existing fault localization algorithms in both accuracy and model interpretability.
• Abstract（参考訳）: 新たにデプロイされたサービス(一種の変更サービス)は、新たなタイプのマイノリティ障害につながる可能性がある。 既存のフォールトローカライゼーションの最先端手法では、変更サービスにおける不均衡なフォールト分類を考慮することは稀である。 本稿では,F1スコアの基準値制約を最適化することにより,決定規則を用いて高度に不均衡なデータを扱う手法を提案する。 提案手法は,最大限界ゲインを持つルールを最適に生成し,効率的な最小化最大化(MM)手法を用いて規則を反復的に選択し,非単トン部分モジュラー下限を最大化する。 既存のフォールトローカライゼーションアルゴリズムと比較して,我々のアルゴリズムは変更サービスの不均衡なフォールトシナリオに適応し,理解や検証が容易なインタプリタブルフォールト原因を提供することができる。 また,従来のSOTA法と比較して,トレーニングオーバーヘッドが15%程度しかなく,オンライントレーニング環境に展開することも可能である。 実験的な研究により,我々のアルゴリズムは既存の故障局所化アルゴリズムを精度とモデル解釈可能性の両方で上回っていることが示された。

関連論文リスト

• Correcting the Mythos of KL-Regularization: Direct Alignment without Overoptimization via Chi-Squared Preference Optimization [78.82586283794886]
  新たなオフラインアライメントアルゴリズムである$chi2$-Preference Optimization(chi$PO)を提案する。 $chi$POは、正規化による不確実性に直面して悲観主義の原理を実装している。 過度な最適化には確実に堅牢であり、単一政治の集中性に基づいたサンプル複雑度保証を実現する。
  論文  参考訳（メタデータ） (2024-07-18T11:08:40Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• An Adaptive Cost-Sensitive Learning and Recursive Denoising Framework for Imbalanced SVM Classification [12.986535715303331]
  カテゴリー不均衡は、分類分野において最も人気があり重要な問題の一つである。 不均衡データセットに基づいてトレーニングされた感情分類モデルは、容易に信頼性の低い予測につながる。
  論文  参考訳（メタデータ） (2024-03-13T09:43:14Z)
• An Uncertainty-Aware Pseudo-Label Selection Framework using Regularized Conformal Prediction [0.0]
  Pseudo-labeling (PL)は汎用的でドメインに依存しないSSLアプローチである。 PLは低校正モデルからの誤った高信頼予測により性能が低下する。 本稿では,不確実性を考慮した擬似ラベル選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-30T17:13:30Z)
• Stochastic Methods for AUC Optimization subject to AUC-based Fairness Constraints [51.12047280149546]
  公正な予測モデルを得るための直接的なアプローチは、公正な制約の下で予測性能を最適化することでモデルを訓練することである。 フェアネスを考慮した機械学習モデルのトレーニング問題を,AUCに基づくフェアネス制約のクラスを対象とする最適化問題として定式化する。 フェアネス測定値の異なる実世界のデータに対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-12-23T22:29:08Z)
• Interpolation-based Contrastive Learning for Few-Label Semi-Supervised Learning [43.51182049644767]
  半教師付き学習(SSL)は,ラベルが限定された強力なモデルを構築する上で,有効な手法であることが長年証明されてきた。 摂動サンプルを元のものと類似した予測を強制する正規化に基づく手法が注目されている。 本稿では,学習ネットワークの埋め込みを誘導し,サンプル間の線形変化を誘導する新たな対照的な損失を提案する。
  論文  参考訳（メタデータ） (2022-02-24T06:00:05Z)
• Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
  ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。 本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
  論文  参考訳（メタデータ） (2021-07-28T05:18:10Z)
• Autocalibration and Tweedie-dominance for Insurance Pricing with Machine Learning [0.0]
  逸脱の最小化には, 下位部分モーメントの重み付き差分の積分と, 特定のスケールで測定されたバイアスとのトレードオフが伴うことが示された。 バイアスを補正する新しい手法は、分析にさらに局所的なGLMステップを追加する。 凸順序は、競合するモデルを比較する自然なツールであるように見える。
  論文  参考訳（メタデータ） (2021-03-05T12:40:30Z)
• Label-Imbalanced and Group-Sensitive Classification under Overparameterization [32.923780772605596]
  ラベルの不均衡でグループに敏感な分類は、関連するメトリクスを最適化するための標準トレーニングアルゴリズムを適切に修正することを目指す。 標準実証的リスク最小化に対するロジット調整による損失修正は,一般的には効果がない可能性がある。 本研究では, 2つの共通する不均衡(ラベル/グループ)を統一的に処理し, 敏感群の二値分類に自然に適用できることを示した。
  論文  参考訳（メタデータ） (2021-03-02T08:09:43Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Uncertainty-Aware Consistency Regularization for Cross-Domain Semantic Segmentation [63.75774438196315]
  Unsupervised Domain adapt (UDA) は、未ラベルのデータのみを持つ新しいターゲットドメインにソースドメインの既存のモデルを適用することを目的としている。 既存のほとんどの手法は、エラーを起こしやすい識別器ネットワークまたは不合理な教師モデルから生じる顕著な負の伝達に悩まされている。 ドメイン間セマンティックセグメンテーションのための不確実性を考慮した整合性正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-04-19T15:30:26Z)

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。