論文の概要: Scaling Causal Mediation for Complex Systems: A Framework for Root Cause Analysis

• arxiv url: http://arxiv.org/abs/2512.14764v1
• Date: Tue, 16 Dec 2025 04:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.732236
• Title: Scaling Causal Mediation for Complex Systems: A Framework for Root Cause Analysis
• Title（参考訳）: 複雑システムに対する因果治療のスケーリング:根本原因分析のためのフレームワーク
• Authors: Alessandro Casadei, Sreyoshi Bhaduri, Rohit Malshe, Pavan Mullapudi, Raj Ratan, Ankush Pole, Arkajit Rakshit,
• Abstract要約: 本稿では,複数の治療とメディエータを含む大規模因果DAGに適したスケーラブルなメディエーション分析フレームワークを提案する。 本手法は,全効果を解釈可能な直接成分と間接成分に系統的に分解する。
• 参考スコア（独自算出の注目度）: 33.94256692990334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern operational systems ranging from logistics and cloud infrastructure to industrial IoT, are governed by complex, interdependent processes. Understanding how interventions propagate through such systems requires causal inference methods that go beyond direct effects to quantify mediated pathways. Traditional mediation analysis, while effective in simple settings, fails to scale to the high-dimensional directed acyclic graphs (DAGs) encountered in practice, particularly when multiple treatments and mediators interact. In this paper, we propose a scalable mediation analysis framework tailored for large causal DAGs involving multiple treatments and mediators. Our approach systematically decomposes total effects into interpretable direct and indirect components. We demonstrate its practical utility through applied case studies in fulfillment center logistics, where complex dependencies and non-controllable factors often obscure root causes.
• Abstract（参考訳）: 現代の運用システムは、ロジスティクスやクラウドインフラストラクチャから産業用IoTまで、複雑な相互依存プロセスによって管理されている。 このようなシステムを通してどのように介入が伝播するかを理解するには、直接的な効果を超える因果推論法が必要であり、介在する経路を定量化する必要がある。 従来のメディエーション分析は、単純な設定では有効であるが、特に複数の処理やメディエーターが相互作用する場合に、実際に遭遇する高次元非巡回グラフ(DAG)にスケールできない。 本稿では,複数の治療とメディエータを含む大規模因果DAGに適したスケーラブルなメディエーション分析フレームワークを提案する。 本手法は,全効果を解釈可能な直接成分と間接成分に系統的に分解する。 本研究では, 複雑な依存や制御不能な要因がしばしば根本原因であるフルフィルメントセンターのロジスティクスにおける応用事例研究を通じて, その実用性を実証する。

関連論文リスト

• Root Cause Analysis for Microservice Systems via Cascaded Conditional Learning with Hypergraphs [6.06702225930801]
  マイクロサービスシステムにおけるルート原因分析では、ルート原因ローカライゼーション(RCL)と障害タイプ識別(FTI)という、2つのコアタスクが一般的である。 これらの手法は主に、共有情報を利用してトレーニング時間を短縮するために、RCLとFTIのジョイントラーニングパラダイムを採用する。 CCLHは,ケースド・コンディショナル・ラーニングに基づく診断タスクを編成する新しい根本原因分析フレームワークである。
  論文  参考訳（メタデータ） (2025-11-14T03:20:02Z)
• Building causation links in stochastic nonlinear systems from data [3.1053323925902956]
  因果関係は、私たちを取り巻く世界を理解する上で、基本的な役割を果たす。 因果関係を識別し理解する能力は、情報的な意思決定、成果の予測、効果的な戦略の開発に不可欠である。 近年、機械学習(ML)の分野は強力なツールとして登場し、隠れた因果関係のメカニズムを解明し、複雑なシステムを理解するための新たな機会を提供している。
  論文  参考訳（メタデータ） (2025-09-09T13:07:29Z)
• Understanding the Information Propagation Effects of Communication Topologies in LLM-based Multi-Agent Systems [58.95962217043371]
  提案手法は, エージェントの出力の正確さ, 誤動作の有無を, 異なる範囲の位相の下で伝達する因果関係を解析するための枠組みである。 実験により,有益な情報拡散を保ちながらエラーの伝播を効果的に抑制する,適度に疎らなトポロジが,通常最適なタスク性能を達成できることが判明した。 本稿では,高密度グラフとスパースグラフの両方から接続パターンを融合させることにより,エラー抑制と有益な情報伝達のバランスをとる新しいトポロジ設計手法 EIB-leanrner を提案する。
  論文  参考訳（メタデータ） (2025-05-29T11:21:48Z)
• ProRCA: A Causal Python Package for Actionable Root Cause Analysis in Real-world Business Scenarios [2.034531141644187]
  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。
  論文  参考訳（メタデータ） (2025-03-03T12:33:17Z)
• Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
  世界の知識と論理的推論の相互作用について検討する。 最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。 タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
  論文  参考訳（メタデータ） (2024-10-31T12:48:58Z)
• 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)
• Higher order definition of causality by optimally conditioned transfer entropy [0.0]
  本稿では,因果推論に対する情報理論的アプローチの一般化と改良を提案する。 特に、多変量因果集合に因果的役割を割り当てるが、個々の入力には直交しない。 我々は、この概念を、実演理論的な例に適用し、生体物理学的に現実的な生体神経力学シミュレーションに応用することによって実証する。
  論文  参考訳（メタデータ） (2024-08-30T12:04:51Z)
• 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)
• 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)

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。