論文の概要: Causal-discovery-based root-cause analysis and its application in time-series prediction error diagnosis

• arxiv url: http://arxiv.org/abs/2411.06990v1
• Date: Mon, 11 Nov 2024 13:48:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:12:01.708139
• Title: Causal-discovery-based root-cause analysis and its application in time-series prediction error diagnosis
• Title（参考訳）: 因果発見に基づく根因解析と時系列予測誤差診断への応用
• Authors: Hiroshi Yokoyama, Ryusei Shingaki, Kaneharu Nishino, Shohei Shimizu, Thong Pham,
• Abstract要約: ヒューリスティック帰属法は役に立つが、しばしば真の因果関係を捉えることに失敗し、不正確な帰属をもたらす。 本稿では、予測誤差と説明変数の因果関係を推定する因果因果因果因果関係解析法(CD-RCA)を提案する。 合成誤差データをシミュレートすることで、CD-RCAはシェープリー値による予測誤差の外れ値への可変寄与を識別できる。
• 参考スコア（独自算出の注目度）: 8.309366167066278
• License:
• Abstract: Recent rapid advancements of machine learning have greatly enhanced the accuracy of prediction models, but most models remain "black boxes", making prediction error diagnosis challenging, especially with outliers. This lack of transparency hinders trust and reliability in industrial applications. Heuristic attribution methods, while helpful, often fail to capture true causal relationships, leading to inaccurate error attributions. Various root-cause analysis methods have been developed using Shapley values, yet they typically require predefined causal graphs, limiting their applicability for prediction errors in machine learning models. To address these limitations, we introduce the Causal-Discovery-based Root-Cause Analysis (CD-RCA) method that estimates causal relationships between the prediction error and the explanatory variables, without needing a pre-defined causal graph. By simulating synthetic error data, CD-RCA can identify variable contributions to outliers in prediction errors by Shapley values. Extensive simulations show CD-RCA outperforms current heuristic attribution methods, and a sensitivity analysis reveals new patterns where Shapley values may misattribute errors, paving the way for more accurate error attribution methods.
• Abstract（参考訳）: 最近の機械学習の急速な進歩は予測モデルの精度を大幅に向上させたが、ほとんどのモデルは「ブラックボックス」のままであり、予測エラーの診断は特に外れ値で困難である。 この透明性の欠如は、産業アプリケーションにおける信頼性と信頼性を妨げる。 ヒューリスティック帰属法は役に立つが、しばしば真の因果関係を捉えることに失敗し、不正確な帰属をもたらす。 様々な根本原因分析法がShapley値を用いて開発されているが、一般的には因果グラフを事前に定義し、機械学習モデルにおける予測誤差の適用性を制限している。 これらの制約に対処するために、事前に定義された因果グラフを必要とせず、予測誤差と説明変数の間の因果関係を推定する因果因果因果関係解析法(CD-RCA)を導入する。 合成誤差データをシミュレートすることで、CD-RCAはシェープリー値による予測誤差の外れ値への可変寄与を識別できる。 大規模なシミュレーションでは、CD-RCAは現在のヒューリスティック属性法よりも優れており、感度分析ではシェープリー値が誤りに寄与し、より正確な誤り属性法への道を開く新たなパターンが明らかにされている。

関連論文リスト

• Towards Causal Deep Learning for Vulnerability Detection [31.59558109518435]
  ソフトウェア工学モデルに計算に基づく因果学習を導入する。 以上の結果から,CausalVulはモデル精度,ロバスト性,OOD性能を一貫して改善した。
  論文  参考訳（メタデータ） (2023-10-12T00:51:06Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Episodic Gaussian Process-Based Learning Control with Vanishing Tracking Errors [10.627020714408445]
  本稿では,任意の追跡精度を保証するために,GPモデル学習のためのエピソード手法を開発する。 導出理論の有効性はいくつかのシミュレーションで示されている。
  論文  参考訳（メタデータ） (2023-07-10T08:43:28Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Generalizability Analysis of Graph-based Trajectory Predictor with Vectorized Representation [29.623692599892365]
  軌道予測は自動運転車にとって不可欠な課題の1つである。 機械学習の最近の進歩は、一連の高度な軌道予測アルゴリズムを生み出した。
  論文  参考訳（メタデータ） (2022-08-06T20:19:52Z)
• On Calibrated Model Uncertainty in Deep Learning [0.0]
  損失校正されたベイジアンフレームワークの近似推論を,ドロップウェイトに基づくベイジアンニューラルネットワークに拡張する。 損失校正された不確実性から得られる決定は、簡単な代替手段よりも、診断性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-06-15T20:16:32Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• When and Why does a Model Fail? A Human-in-the-loop Error Detection Framework for Sentiment Analysis [12.23497603132782]
  本稿では,説明可能な特徴に基づく感情分析のための誤り検出フレームワークを提案する。 実験結果から,ループ内介入が限定された場合,未確認データの誤モデル予測を高精度に検出できることが示唆された。
  論文  参考訳（メタデータ） (2021-06-02T05:45:42Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。