Fugu-MT 論文翻訳(概要): Root Cause Analysis Method Based on Large Language Models with Residual Connection Structures

論文の概要: Root Cause Analysis Method Based on Large Language Models with Residual Connection Structures

arxiv url: http://arxiv.org/abs/2602.08804v1
Date: Mon, 09 Feb 2026 15:41:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-10 20:26:25.331045
Title: Root Cause Analysis Method Based on Large Language Models with Residual Connection Structures
Title（参考訳）: 残差接続構造を持つ大規模言語モデルに基づくルート原因解析手法
Authors: Liming Zhou, Ailing Liu, Hongwei Liu, Min He, Heng Zhang,
Abstract要約: 本稿では,大規模言語モデル(LLM)を用いた残差接続に基づく根本原因分析手法を提案する。 CCF-AIOpsマイクロサービスデータセットの実験結果は、RC-LLMが根本原因分析において高い精度と効率を達成することを示した。
参考スコア（独自算出の注目度）: 13.802178274787948
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Root cause localization remain challenging in complex and large-scale microservice architectures. The complex fault propagation among microservices and the high dimensionality of telemetry data, including metrics, logs, and traces, limit the effectiveness of existing root cause analysis (RCA) methods. In this paper, a residual-connection-based RCA method using large language model (LLM), named RC-LLM, is proposed. A residual-like hierarchical fusion structure is designed to integrate multi-source telemetry data, while the contextual reasoning capability of large language models is leveraged to model temporal and cross-microservice causal dependencies. Experimental results on CCF-AIOps microservice datasets demonstrate that RC-LLM achieves strong accuracy and efficiency in root cause analysis.
Abstract（参考訳）: Rootは、複雑で大規模なマイクロサービスアーキテクチャにおいて、ローカライゼーションを依然として困難にしている。マイクロサービス間の複雑な障害伝播とメトリクス、ログ、トレースを含むテレメトリデータの高次元性は、既存の根本原因分析(RCA)メソッドの有効性を制限する。本稿では,大規模言語モデル (LLM) を用いた残差接続に基づくRC-LLM法を提案する。大規模言語モデルの文脈推論能力は,時間的およびマイクロサービス間の因果関係をモデル化するために活用される。 CCF-AIOpsマイクロサービスデータセットの実験結果は、RC-LLMが根本原因分析において高い精度と効率を達成することを示した。

関連論文リスト

Hypothesize-Then-Verify: Speculative Root Cause Analysis for Microservices with Pathwise Parallelism [19.31110304702373]
SpecRCAは、thithypothesize-then-verifyパラダイムを採用した投機的根本原因分析フレームワークである。 AIOps 2022に関する予備的な実験では、既存のアプローチよりも精度と効率が優れていることが示されている。
論文参考訳（メタデータ） (2026-01-06T05:58:25Z)
MicroRCA-Agent: Microservice Root Cause Analysis Method Based on Large Language Model Agents [12.160412894251406]
MicroRCA-Agentは、大規模な言語モデルエージェントに基づいたマイクロサービスの根本原因分析のための革新的なソリューションである。提案したソリューションは、複雑なマイクロサービス障害シナリオにおいて優れたパフォーマンスを示し、最終的なスコアは50.71である。
論文参考訳（メタデータ） (2025-09-19T05:57:03Z)
Adaptive Root Cause Localization for Microservice Systems with Multi-Agent Recursion-of-Thought [11.307072056343662]
本稿では,マイクロサービスシステムに対する適応的根本原因ローカライゼーション手法であるRCLAgentを紹介する。 RCLAgentは,1つの要求出力状態のみを用いて根本原因を局所化し,優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2025-08-28T02:34:19Z)
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)
MCTS-RAG: Enhancing Retrieval-Augmented Generation with Monte Carlo Tree Search [61.11836311160951]
本稿では,知識集約型タスクにおける小言語モデルの推論能力を高める新しいアプローチであるMCTS-RAGを紹介する。通常、推論から独立して情報を取得する標準的なRAG法とは異なり、MCTS-RAGは構造化推論と適応的検索を組み合わせる。この統合されたアプローチは意思決定を強化し、幻覚を減らし、事実の正確性と応答の整合性を向上させる。
論文参考訳（メタデータ） (2025-03-26T17:46:08Z)
Robust Time Series Causal Discovery for Agent-Based Model Validation [5.430532390358285]
本研究では、ABM検証のための因果構造学習を強化するために、ロバストクロスバリデーション(RCV)アプローチを提案する。 RCV-VarLiNGAM と RCV-PCMCI を開発した。提案手法は、拡張されたABM検証フレームワークに統合される。
論文参考訳（メタデータ） (2024-10-25T09:13:26Z)
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)
R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [65.04475956174959]
Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLにおける重要な課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータの敵ジャミングに対する感受性である。本稿では,無線ネットワーク上での大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いたレジリエンスSFLのための物理層フレームワークを開発する。
論文参考訳（メタデータ） (2024-07-16T12:21:29Z)
DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文参考訳（メタデータ） (2024-06-05T06:18:03Z)
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)

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。