Fugu-MT 論文翻訳(概要): Tracing Distribution Shifts with Causal System Maps

論文の概要: Tracing Distribution Shifts with Causal System Maps

arxiv url: http://arxiv.org/abs/2510.23528v1
Date: Mon, 27 Oct 2025 17:07:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-28 15:28:15.632139
Title: Tracing Distribution Shifts with Causal System Maps
Title（参考訳）: 因果系図を用いた軌跡分布変化
Authors: Joran Leest, Ilias Gerostathopoulos, Patricia Lago, Claudia Raibulet,
Abstract要約: 根本原因分析は、ソフトウェア障害やデータ品質の問題、あるいは自然な変化に起因する変化を判断するために、手動のトレースに依存することが多い。階層化されたビューを通して、環境とMLシステムの内部間の伝搬経路を明確にするMLシステムマップを提案する。
参考スコア（独自算出の注目度）: 7.21017530180659
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Monitoring machine learning (ML) systems is hard, with standard practice focusing on detecting distribution shifts rather than their causes. Root-cause analysis often relies on manual tracing to determine whether a shift is caused by software faults, data-quality issues, or natural change. We propose ML System Maps -- causal maps that, through layered views, make explicit the propagation paths between the environment and the ML system's internals, enabling systematic attribution of distribution shifts. We outline the approach and a research agenda for its development and evaluation.
Abstract（参考訳）: 機械学習(ML)システムの監視は困難であり、標準的なプラクティスは、その原因ではなく、分散シフトの検出に重点を置いている。根本原因分析は、ソフトウェア障害やデータ品質の問題、あるいは自然な変化に起因する変化を判断するために、手動のトレースに依存することが多い。階層化されたビューを通して、環境とMLシステムの内部間の伝搬経路を明確にし、分散シフトの系統的帰属を可能にするMLシステムマップを提案する。我々は,そのアプローチの概要と,その開発・評価に関する研究課題について概説する。

関連論文リスト

Exploring LLM-based Frameworks for Fault Diagnosis [2.2562573557834686]
大規模言語モデル(LLM)に基づくシステムは,センサリッチ産業環境における自律型健康モニタリングの新たな機会を提供する。本研究では,LLMがセンサデータから直接障害を検出し,分類すると同時に,自然言語の推論を通じて本質的に説明可能なアウトプットを生成する可能性について検討する。
論文参考訳（メタデータ） (2025-09-27T04:53:15Z)
From Tea Leaves to System Maps: Context-awareness in Monitoring Operational Machine Learning Models [10.17792666432021]
本稿では,この領域における様々な種類の文脈情報の特徴と構造を体系的に検討する。本稿では,これらの知見を合成する概念モデルであるC-SAR(Contextual System-Aspect-Representation)フレームワークを紹介する。また、特定のシステム、アスペクト、表現のパターンを20の繰り返し再利用可能なパターンを特定し、それらがサポートするモニタリングアクティビティにマッピングする。
論文参考訳（メタデータ） (2025-06-12T14:49:42Z)
Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
論文参考訳（メタデータ） (2025-02-12T04:07:12Z)
A Self-Organizing Clustering System for Unsupervised Distribution Shift Detection [1.0436203990235575]
本稿では,分布変化のモニタリングと検出のための連続学習フレームワークを提案する。特に,2つのトポロジ保存マップ(自己組織化マップ)とスケール不変マップ(スケール不変マップ)の投影について検討する。本手法は教師なしコンテキストと教師なしコンテキストの両方に適用できる。
論文参考訳（メタデータ） (2024-04-25T14:48:29Z)
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)
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)
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)
Learning Dependencies in Distributed Cloud Applications to Identify and Localize Anomalies [58.88325379746632]
本稿では、システムコンポーネントをノードとしてモデル化し、その依存関係をエッジとしてモデル化し、異常の識別と局在を改善するニューラルグラフ変換手法であるArvalusとその変種D-Arvalusを紹介します。一連のメトリックを考えると、私たちの方法は最も可能性の高いシステム状態 - 正常または異常クラス - を予測し、異常が検出されたときにローカライズを行います。この評価は、一般にArvalusの良好な予測性能を示し、システムコンポーネント依存性に関する情報を組み込んだD-Arvalusの利点を明らかにします。
論文参考訳（メタデータ） (2021-03-09T06:34:05Z)
WILDS: A Benchmark of in-the-Wild Distribution Shifts [157.53410583509924]
分散シフトは、ワイルドにデプロイされた機械学習システムの精度を実質的に低下させることができる。分散シフトの多様な範囲を反映した8つのベンチマークデータセットのキュレーションコレクションであるWILDSを紹介します。本研究は, 標準訓練の結果, 分布性能よりも, 分布域外性能が有意に低下することを示す。
論文参考訳（メタデータ） (2020-12-14T11:14:56Z)

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。