論文の概要: Root Cause Analysis of Outliers with Missing Structural Knowledge

• arxiv url: http://arxiv.org/abs/2406.05014v2
• Date: Wed, 06 Nov 2024 14:09:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:21:31.420648
• Title: Root Cause Analysis of Outliers with Missing Structural Knowledge
• Title（参考訳）: 構造知識の欠如による外乱の根本原因解析
• Authors: Nastaran Okati, Sergio Hernan Garrido Mejia, William Roy Orchard, Patrick Blöbaum, Dominik Janzing,
• Abstract要約: 本研究では,定量的寄与分析ではなく,一意の根本原因を同定する作業において,簡易かつ効率的な根本原因解析法を提案する。 提案手法は,SCMノードの線形順序で動作し,因果DAGのみを必要とする。 非単調な異常スコアを持つ因果経路の可能性を示すため, 小さいスコアを持つ異常が大きなスコアを生じさせる可能性は低いことを証明した。
• 参考スコア（独自算出の注目度）: 13.152501863685478
• License:
• Abstract: Recent work conceptualized root cause analysis (RCA) of anomalies via quantitative contribution analysis using causal counterfactuals in structural causal models (SCMs).The framework comes with three practical challenges: (1) it requires the causal directed acyclic graph (DAG), together with an SCM, (2) it is statistically ill-posed since it probes regression models in regions of low probability density, (3) it relies on Shapley values which are computationally expensive to find. In this paper, we propose simplified, efficient methods of root cause analysis when the task is to identify a unique root cause instead of quantitative contribution analysis. Our proposed methods run in linear order of SCM nodes and they require only the causal DAG without counterfactuals. Furthermore, for those use cases where the causal DAG is unknown, we justify the heuristic of identifying root causes as the variables with the highest anomaly score. To this end, we prove that anomalies with small scores are unlikely to cause those with large scores and show upper bounds for the likelihood of causal pathways with non-monotonic anomaly scores.
• Abstract（参考訳）: 最近の研究は、構造因果モデル(SCM)における因果反事実を用いた定量的寄与分析により、異常の根本原因分析(RCA)を概念化した。 1) 因果有向非巡回グラフ (DAG) と SCM を併用すること、(2) 確率密度の低い領域の回帰モデルを探索すること、(3) 計算に高価であるシェープリー値に依存すること、の3つの実践的な課題がある。 本稿では,定量的コントリビューション分析ではなく,一意の根本原因を同定する作業において,簡易かつ効率的な根本原因解析手法を提案する。 提案手法は,SCMノードの線形順序で動作し,因果DAGのみを必要とする。 さらに, 因果DAGが不明な症例に対しては, 根本原因を異常スコアが最も高い変数として同定するヒューリスティックを正当化する。 この結果から,小さいスコアの異常が大きなスコアの異常を引き起こすことはまずあり得ず,非単調な異常スコアを持つ因果経路の可能性を示す。

関連論文リスト

• Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding [1.6932009464531739]
  我々は,線形非ガウス構造方程式モデルについて考察する。 この設定では、因果構造は特定可能であるが、一般に、特定の因果効果を識別することはできない。
  論文  参考訳（メタデータ） (2024-08-09T07:24:12Z)
• PORCA: Root Cause Analysis with Partially Observed Data [15.007249208547885]
  ルート原因分析(RCA)は、複雑なシステムから因果構造を発見し解析することによって、システム障害の原因を特定することを目的としている。 以前の研究では、部分的な観察の効果を無視するシステムの全観察を暗黙的に仮定していた。 PORCAは、保存されていない共同創設者と保存されていない異質性の両方の下で、信頼性の高い根本原因を探索できる新しいRCAフレームワークである。
  論文  参考訳（メタデータ） (2024-07-08T12:31:12Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Structural restrictions in local causal discovery: identifying direct causes of a target variable [0.9208007322096533]
  観測的関節分布から対象変数の直接的な原因の集合を学ぶことは、科学の基本的な問題である。 ここでは、完全なDAGではなく、1つのターゲット変数の直接的な原因を特定することにのみ関心があります。 これにより、識別可能性の仮定を緩和し、より高速で堅牢なアルゴリズムを開発することができる。
  論文  参考訳（メタデータ） (2023-07-29T18:31:35Z)
• Sample-Specific Root Causal Inference with Latent Variables [10.885111578191564]
  ルート因果解析は、望ましくない結果を引き起こす初期摂動の集合を同定しようとする。 我々はShapley値を用いて予測率を厳格に定量化した。 本稿では, 汚染条件を回復するために, 抽出エラー (Extract Errors with Latents, EEL) と呼ばれる手法を提案する。
  論文  参考訳（メタデータ） (2022-10-27T11:33:26Z)
• Large-Scale Differentiable Causal Discovery of Factor Graphs [3.8015092217142223]
  本稿では,非線形低ランク因果相互作用モデルへの探索空間の方法として,因子指向非巡回グラフ(f-DAG)の概念を導入する。 本稿では,f-DAG制約因果探索のスケーラブルな実装を提案する。
  論文  参考訳（メタデータ） (2022-06-15T21:28:36Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。