論文の概要: Robust Root Cause Diagnosis using In-Distribution Interventions

• arxiv url: http://arxiv.org/abs/2505.00930v1
• Date: Fri, 02 May 2025 00:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.87059
• Title: Robust Root Cause Diagnosis using In-Distribution Interventions
• Title（参考訳）: In-Distribution Intervention を用いたロバスト根の診断
• Authors: Lokesh Nagalapatti, Ashutosh Srivastava, Sunita Sarawagi, Amit Sharma,
• Abstract要約: 複雑な相互接続システムにおける異常の根本原因を診断することは、今日のクラウドサービスや産業運用において、差し迫った問題である。 In-Distribution Interventions (IDI) は2つの基準を満たすノードとして根本原因を予測する新しいアルゴリズムである。
• 参考スコア（独自算出の注目度）: 31.19149413954674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diagnosing the root cause of an anomaly in a complex interconnected system is a pressing problem in today's cloud services and industrial operations. We propose In-Distribution Interventions (IDI), a novel algorithm that predicts root cause as nodes that meet two criteria: 1) **Anomaly:** root cause nodes should take on anomalous values; 2) **Fix:** had the root cause nodes assumed usual values, the target node would not have been anomalous. Prior methods of assessing the fix condition rely on counterfactuals inferred from a Structural Causal Model (SCM) trained on historical data. But since anomalies are rare and fall outside the training distribution, the fitted SCMs yield unreliable counterfactual estimates. IDI overcomes this by relying on interventional estimates obtained by solely probing the fitted SCM at in-distribution inputs. We present a theoretical analysis comparing and bounding the errors in assessing the fix condition using interventional and counterfactual estimates. We then conduct experiments by systematically varying the SCM's complexity to demonstrate the cases where IDI's interventional approach outperforms the counterfactual approach and vice versa. Experiments on both synthetic and PetShop RCD benchmark datasets demonstrate that \our\ consistently identifies true root causes more accurately and robustly than nine existing state-of-the-art RCD baselines. Code is released at https://github.com/nlokeshiisc/IDI_release.
• Abstract（参考訳）: 複雑な相互接続システムにおける異常の根本原因を診断することは、今日のクラウドサービスや産業運用において、差し迫った問題である。 In-Distribution Interventions (IDI) は,2つの基準を満たすノードとして根本原因を予測する新しいアルゴリズムである。 1) **異常:**ルート原因ノードは異常値を取るべきである。 2)**Fix:** はルート原因ノードが通常の値を仮定しており、ターゲットノードは異常ではなかった。 修正条件を評価する以前の方法は、歴史的データに基づいて訓練された構造因果モデル(Structure Causal Model, SCM)から推測される反事実に依存していた。 しかし、異常はまれであり、トレーニング分布外にあるため、適合したSCMは信頼できない反事実推定をもたらす。 IDIは、入出力で入出力されたSCMのみを探索することによって得られる介入推定に頼ることでこれを克服する。 本稿では, 干渉的および反事実的推定値を用いて, 固定条件の評価における誤差を比較し, 拘束する理論的解析を行う。 次に、SCMの複雑さを体系的に変化させて実験を行い、IDIの介入アプローチが対実的アプローチを上回る場合と、その逆の場合を実証する。 合成およびPetShopのRCDベンチマークデータセットの実験は、‘our\が真根を一貫して特定し、既存の9つの最先端RCDベースラインよりも正確で堅牢であることを示した。 コードはhttps://github.com/nlokeshiisc/IDI_release.comで公開されている。

関連論文リスト

• U2AD: Uncertainty-based Unsupervised Anomaly Detection Framework for Detecting T2 Hyperintensity in MRI Spinal Cord [7.811634659561162]
  脊髄MR画像におけるT2過強度は、変性頚髄症などの病態において重要なバイオマーカーである。 深層学習法は病変検出の可能性を示してきたが、ほとんどの教師付きアプローチは大きな注釈付きデータセットに大きく依存している。 本稿では,これらの制約に対処するため,不確実性に基づくunsupervised Anomaly DetectionフレームワークであるU2ADを提案する。
  論文  参考訳（メタデータ） (2025-03-17T17:33:32Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Hop-Count Based Self-Supervised Anomaly Detection on Attributed Networks [8.608288231153304]
  ローカル情報とグローバルコンテキスト情報の両方をモデル化して異常を検出するHCM(Hop-count based model)を提案する。 ホップカウントを異常識別に有効活用するため,ホップカウント予測を自己監視タスクとして用いることを提案する。
  論文  参考訳（メタデータ） (2021-04-16T06:43:05Z)

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。