論文の概要: ProRCA: A Causal Python Package for Actionable Root Cause Analysis in Real-world Business Scenarios

• arxiv url: http://arxiv.org/abs/2503.01475v1
• Date: Mon, 03 Mar 2025 12:33:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:19:38.331406
• Title: ProRCA: A Causal Python Package for Actionable Root Cause Analysis in Real-world Business Scenarios
• Title（参考訳）: ProRCA: 現実のビジネスシナリオにおけるアクション可能なルート原因分析のためのPythonパッケージ
• Authors: Ahmed Dawoud, Shravan Talupula,
• Abstract要約: 本稿では,DoWhy因果推論ライブラリ上に構築した経路追跡パッケージについて述べる。 提案手法は,条件付き異常スコア,ノイズに基づく属性,深さ優先経路探索を統合し,マルチホップ因果連鎖を明らかにする。
• 参考スコア（独自算出の注目度）: 2.034531141644187
• License:
• Abstract: Root Cause Analysis (RCA) is becoming ever more critical as modern systems grow in complexity, volume of data, and interdependencies. While traditional RCA methods frequently rely on correlation-based or rule-based techniques, these approaches can prove inadequate in highly dynamic, multi-layered environments. In this paper, we present a pathway-tracing package built on the DoWhy causal inference library. Our method integrates conditional anomaly scoring, noise-based attribution, and depth-first path exploration to reveal multi-hop causal chains. By systematically tracing entire causal pathways from an observed anomaly back to the initial triggers, our approach provides a comprehensive, end-to-end RCA solution. Experimental evaluations with synthetic anomaly injections demonstrate the package's ability to accurately isolate triggers and rank root causes by their overall significance.
• Abstract（参考訳）: 根本原因分析(RCA)は、現代システムが複雑さ、データ量、相互依存を増すにつれ、ますます重要になっている。 従来のRCA手法は相関に基づく手法や規則に基づく手法によく依存するが、これらの手法は高度に動的で多層的な環境では不十分であることが証明できる。 本稿では,DoWhy因果推論ライブラリ上に構築した経路追跡パッケージを提案する。 提案手法は,条件付き異常スコア,ノイズに基づく属性,深さ優先経路探索を統合し,マルチホップ因果連鎖を明らかにする。 観察された異常から最初のトリガーまで,全身の因果経路を体系的に追跡することにより,本手法は総合的,エンドツーエンドのRCAソリューションを提供する。 合成異常注入による実験的評価は、パッケージの全体的な重要性によってトリガーと根本原因を正確に分離する能力を示している。

関連論文リスト

• RADICE: Causal Graph Based Root Cause Analysis for System Performance Diagnostic [3.708415881042821]
  ルート原因分析は、システムの性能診断に関して、ソフトウェア信頼性において最も重要な操作の1つである。 本稿では,システムコンポーネントの因果関係を表す新しい因果ドメイン知識モデルを提案する。 次に、因果グラフ発見、強化、洗練、減算処理を通じて根本原因因果部分グラフを出力するアルゴリズムRADICEを紹介する。
  論文  参考訳（メタデータ） (2025-01-20T15:36:39Z)
• Robust Causal Analysis of Linear Cyclic Systems With Hidden Confounders [0.0]
  多くの複雑なシステムにはフィードバックループがあり、これは我々の手法が周期的因果関係を許容する必要があることを意味する。 データは、しばしば汚染されたプロセスによって歪むので、そのような歪みに対して堅牢な手法を適用する必要があります。 我々はLLCの堅牢性について検討する。 citellcは、隠れた共同設立者と循環モデルを扱う数少ない因果分析手法の1つだ。
  論文  参考訳（メタデータ） (2024-11-18T14:09:01Z)
• 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)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)
• Hierarchical Graph Neural Networks for Causal Discovery and Root Cause Localization [52.72490784720227]
  REASONはTopological Causal DiscoveryとPersonal Causal Discoveryで構成されている。 Topological Causal Discoveryコンポーネントは、根本原因を辿るために断層伝播をモデル化することを目的としている。 個々の因果発見コンポーネントは、単一のシステムエンティティの突然の変化パターンのキャプチャに重点を置いている。
  論文  参考訳（メタデータ） (2023-02-03T20:17:45Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
  因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。 純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
  論文  参考訳（メタデータ） (2021-03-26T02:42:38Z)
• 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。