論文の概要: Online Identification of IT Systems through Active Causal Learning

• arxiv url: http://arxiv.org/abs/2509.02130v2
• Date: Sun, 07 Sep 2025 02:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 12:02:46.912694
• Title: Online Identification of IT Systems through Active Causal Learning
• Title（参考訳）: アクティブ因果学習によるITシステムのオンライン識別
• Authors: Kim Hammar, Rolf Stadler,
• Abstract要約: 本稿では,ITシステムの因果モデルによるオンライン・データ駆動型識別のための最初の原理的手法を提案する。 本手法は,システム操作に対する低干渉を誘導しながら,因果系モデルの正確な同定を可能にする。
• 参考スコア（独自算出の注目度）: 1.7188280334580195
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Identifying a causal model of an IT system is fundamental to many branches of systems engineering and operation. Such a model can be used to predict the effects of control actions, optimize operations, diagnose failures, detect intrusions, etc., which is central to achieving the longstanding goal of automating network and system management tasks. Traditionally, causal models have been designed and maintained by domain experts. This, however, proves increasingly challenging with the growing complexity and dynamism of modern IT systems. In this paper, we present the first principled method for online, data-driven identification of an IT system in the form of a causal model. The method, which we call active causal learning, estimates causal functions that capture the dependencies among system variables in an iterative fashion using Gaussian process regression based on system measurements, which are collected through a rollout-based intervention policy. We prove that this method is optimal in the Bayesian sense and that it produces effective interventions. Experimental validation on a testbed shows that our method enables accurate identification of a causal system model while inducing low interference with system operations.
• Abstract（参考訳）: ITシステムの因果モデルを特定することは、システムエンジニアリングと運用の多くの分野に不可欠です。 このようなモデルは、制御アクションの効果を予測し、オペレーションを最適化し、障害を診断し、侵入を検知するなど、ネットワークやシステム管理タスクの自動化という長年の目標を達成するために利用することができる。 伝統的に、因果モデルはドメインの専門家によって設計され、維持されてきた。 しかし、現代のITシステムの複雑さとダイナミズムの増大により、これはますます困難になっている。 本稿では,ITシステムの因果モデルによるオンライン・データ駆動型識別のための,最初の原理的手法を提案する。 本手法は,本手法をアクティブ因果学習と呼び,システム変数間の依存関係を反復的にキャプチャする因果関数を,システム計測に基づくガウス過程回帰を用いて推定する。 この手法がベイズ的な意味で最適であることが証明され,効果的な介入がもたらされる。 テストベッド上での実験的な検証により,本手法はシステム操作に対する低干渉を誘導しながら,因果系モデルの正確な同定を可能にした。

関連論文リスト

• Process mining-driven modeling and simulation to enhance fault diagnosis in cyber-physical systems [5.065341495341096]
  CPS(Cyber-Physical Systems)の故障診断は,システムの信頼性と運用効率の確保に不可欠である。 本稿では, 時系列, プロセスマイニング, シミュレーションにおける集団異常検出を統合した, 教師なし故障診断手法を提案する。 これにより、予測保守と産業環境のためのデジタルツインの開発を支援する総合的なフォールト辞書の作成が可能になる。
  論文  参考訳（メタデータ） (2025-06-26T17:29:37Z)
• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• On the Fly Detection of Root Causes from Observed Data with Application to IT Systems [3.3321350585823826]
  本稿では,しきい値に基づくITシステムを表現するための構造因果モデルを提案する。 このようなシステムにおける異常の根本原因を迅速に検出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-09T16:10:19Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• 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)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
  人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。 このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
  論文  参考訳（メタデータ） (2022-08-30T20:16:17Z)
• Identifying Causal Structure in Dynamical Systems [6.451261098085498]
  制御系の因果構造を同定する手法を提案する。 ロボットアームの実験では、実世界のデータから信頼性の高い因果同定が示されている。
  論文  参考訳（メタデータ） (2020-06-06T16:17:07Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)

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。