論文の概要: Are GNNs Actually Effective for Multimodal Fault Diagnosis in Microservice Systems?

• arxiv url: http://arxiv.org/abs/2501.02766v2
• Date: Mon, 10 Mar 2025 09:51:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:44:15.190427
• Title: Are GNNs Actually Effective for Multimodal Fault Diagnosis in Microservice Systems?
• Title（参考訳）: GNNはマイクロサービスシステムにおけるマルチモーダル障害診断に実際に有効か?
• Authors: Fei Gao, Ruyue Xin, Xiaocui Li, Yaqiang Zhang,
• Abstract要約: グラフニューラルネットワーク(GNN)は、サービス依存をモデル化する能力に基づいて、マイクロサービスシステムの障害診断に広く採用されている。 GNNの真の価値を分離するために,意図的に最小限のトポロジーに依存しないベースラインであるDiagMLPを提案する。 DiagMLPは, 故障検出, 局所化, 分類において, 最先端のGNN方式と同等の性能を実現する。
• 参考スコア（独自算出の注目度）: 3.3601815104322377
• License:
• Abstract: Graph Neural Networks (GNNs) are widely adopted for fault diagnosis in microservice systems, premised on their ability to model service dependencies. However, the necessity of explicit graph structures remains underexamined, as existing evaluations conflate preprocessing with architectural contributions. To isolate the true value of GNNs, we propose DiagMLP, a deliberately minimal, topology-agnostic baseline that retains multimodal fusion capabilities while excluding graph modeling. Through ablation experiments across five datasets, DiagMLP achieves performance parity with state-of-the-art GNN-based methods in fault detection, localization, and classification. These findings challenge the prevailing assumption that graph structures are indispensable, revealing that: (i) preprocessing pipelines already encode critical dependency information, and (ii) GNN modules contribute marginally beyond multimodality fusion. Our work advocates for systematic re-evaluation of architectural complexity and highlights the need for standardized baseline protocols to validate model innovations.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、サービス依存をモデル化する能力に基づいて、マイクロサービスシステムの障害診断に広く採用されている。 しかし、既存の評価では事前処理とアーキテクチャへの貢献が要約されているため、明示的なグラフ構造の必要性はいまだ過小評価されていない。 GNNの真の価値を分離するために,グラフモデリングを除きマルチモーダル融合機能を保持する最小限のトポロジーに依存しないベースラインであるDiagMLPを提案する。 DiagMLPは、5つのデータセットにわたるアブレーション実験を通じて、障害検出、ローカライゼーション、分類における最先端のGNNベースの手法とパフォーマンスの同等性を達成している。 これらの発見は、グラフ構造が不可欠であるという一般的な仮定に挑戦し、次のように明らかにした。 (i)すでに重要な依存情報をエンコードしているパイプラインの事前処理 (ii) GNN 加群は多モード融合をはるかに越えて寄与する。 我々の研究は、アーキテクチャの複雑さを体系的に再評価することを提唱し、モデル革新を検証するための標準化されたベースラインプロトコルの必要性を強調します。

関連論文リスト

• xAI-Drop: Don't Use What You Cannot Explain [23.33477769275026]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習するための主要なパラダイムとして登場した。 GNNは、一般化の欠如や解釈可能性の低下といった課題に直面している。 トポロジカルレベル降下正則化器であるxAI-Dropを導入する。
  論文  参考訳（メタデータ） (2024-07-29T14:53:45Z)
• Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
  オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。 我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
  論文  参考訳（メタデータ） (2024-03-15T01:28:08Z)
• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• Graph Neural Networks are Inherently Good Generalizers: Insights by Bridging GNNs and MLPs [71.93227401463199]
  本稿では、P(ropagational)MLPと呼ばれる中間モデルクラスを導入することにより、GNNの性能向上を本質的な能力に向ける。 PMLPは、トレーニングにおいてはるかに効率的でありながら、GNNと同等(あるいはそれ以上)に動作することを観察する。
  論文  参考訳（メタデータ） (2022-12-18T08:17:32Z)
• PyGFI: Analyzing and Enhancing Robustness of Graph Neural Networks Against Hardware Errors [3.2780036095732035]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習において,有望な学習パラダイムとして登場した。 本稿では,ハードウェア故障とGNN精度の関係を理解することを目的とした,GNNレジリエンスの大規模かつ実証的研究を行う。
  論文  参考訳（メタデータ） (2022-12-07T06:14:14Z)
• Benchmarking Graph Neural Networks for FMRI analysis [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習するための強力なツールとして登場した。 うつ病と自閉症スペクトラム障害の診断における5つのGNNアーキテクチャの性能について検討・評価を行った。 機能的脳データのための最適グラフ構造を作成することは、GNNの性能を阻害する主要なボトルネックである。
  論文  参考訳（メタデータ） (2022-11-16T14:16:54Z)
• MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
  暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。 暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。 グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-15T18:18:55Z)
• Graph neural network-based fault diagnosis: a review [14.252398721869294]
  近年,グラフニューラルネットワーク(GNN)に基づく断層診断(FD)が注目されている。 本論文では,ニューラルネットワークに基づくFD手法について,時系列,画像,グラフなどのデータ表現に着目して検討する。 GNNに基づく最も関連性の高い故障診断法は詳細な実験により検証され、GNNに基づく手法が優れた故障診断性能を達成できるという結論が得られた。
  論文  参考訳（メタデータ） (2021-11-16T01:59:46Z)
• Graph Neural Networks for Leveraging Industrial Equipment Structure: An application to Remaining Useful Life Estimation [21.297461316329453]
  本稿では,複雑な機器の構造をグラフ形式で把握し,マルチセンサ時系列データをモデル化するためにグラフニューラルネットワーク(GNN)を用いる。 我々は,提案したGNNに基づくRUL推定モデルが,RNNやCNNをベースとした文学からの強いベースラインと好意的に比較した。
  論文  参考訳（メタデータ） (2020-06-30T06:38:08Z)
• Graph Neural Networks for Motion Planning [108.51253840181677]
  低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。 臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
  論文  参考訳（メタデータ） (2020-06-11T08:19:06Z)

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。