論文の概要: LLM-Augmented Knowledge Base Construction For Root Cause Analysis

• arxiv url: http://arxiv.org/abs/2604.06171v1
• Date: Fri, 09 Jan 2026 16:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.361251
• Title: LLM-Augmented Knowledge Base Construction For Root Cause Analysis
• Title（参考訳）: 根本原因解析のためのLLM強化知識ベース構築
• Authors: Nguyen Phuc Tran, Brigitte Jaumard, Oscar Delgado, Tristan Glatard, Karthikeyan Premkumar, Kun Ni,
• Abstract要約: 本研究では,支援チケットからルート原因分析(RCA)知識ベースを構築するための3つの大規模言語モデル(LLM)手法を評価する。 語彙と意味の類似度を総合的に比較する。 実産業データセットを用いた実験により, 生成した知識ベースがRCAタスクの高速化に優れた出発点となることが示された。
• 参考スコア（独自算出の注目度）: 0.6439596199812365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Communications networks now form the backbone of our digital world, with fast and reliable connectivity. However, even with appropriate redundancy and failover mechanisms, it is difficult to guarantee "five 9s" (99.999 %) reliability, requiring rapid and accurate root cause analysis (RCA) during outages. In the event of an outage, rapid and accurate RCA becomes essential to restore service and prevent future disruptions. This study evaluates three Large Language Model (LLM) methodologies - Fine-Tuning, RAG, and a Hybrid approach - for constructing a Root Cause Analysis (RCA) Knowledge Base from support tickets. We compare their performance using a comprehensive suite of lexical and semantic similarity metrics. Our experiments on a real industrial dataset demonstrate that the generated knowledge base provides an excellent starting point for accelerating RCA tasks and improving network resilience.
• Abstract（参考訳）: 通信ネットワークが私たちのデジタル世界のバックボーンとなり、高速で信頼性の高い接続が可能になった。 しかし、適切な冗長性とフェールオーバ機構があるとしても、「5つの9s」(99.999 %)の信頼性を保証することは困難であり、停電時には迅速かつ正確な根本原因分析(RCA)が必要である。 障害が発生した場合、サービス復旧と今後の混乱を防ぐために、迅速かつ正確なRCAが不可欠となる。 本研究では,支援チケットからルート原因分析(RCA)知識ベースを構築するための3つの大規模言語モデル(LLM)手法(ファインチューニング,RAG,ハイブリッドアプローチ)を評価する。 語彙と意味の類似度を総合的に比較する。 実産業データセットを用いた実験により、生成された知識ベースがRCAタスクの高速化とネットワークのレジリエンス向上に優れた出発点となることが示された。

関連論文リスト

• MetaRCA: A Generalizable Root Cause Analysis Framework for Cloud-Native Systems Powered by Meta Causal Knowledge [3.8594782754324535]
  クラウドネイティブシステムのダイナミクスと複雑性は、ルート原因分析(RCA)に重大な課題をもたらす 本稿では,クラウドネイティブシステムのための汎用RCAフレームワークであるMetaRCAを紹介する。
  論文  参考訳（メタデータ） (2026-03-02T16:16:22Z)
• Simplifying Root Cause Analysis in Kubernetes with StateGraph and LLM [13.293736787442414]
  我々は根本原因分析のための革新的なツールであるSynergyRCAを紹介する。 SynergyRCAは、空間的および時間的関係をキャプチャするStateGraphを構築する。 約2分間の平均で根本原因を特定でき、約0.90の精度を達成できる。
  論文  参考訳（メタデータ） (2025-06-03T06:09:13Z)
• Causal AI-based Root Cause Identification: Research to Practice at Scale [2.455633941531165]
  我々は,相関関係に対する因果関係を強調する新しい因果関係に基づくルート因果同定(RCI)アルゴリズムを開発した。 本稿では、Instanaの高度な故障診断機能を強調し、RCIアルゴリズムの理論的基盤と実践的実装について論じる。
  論文  参考訳（メタデータ） (2025-02-25T14:20:33Z)
• KGroot: Enhancing Root Cause Analysis through Knowledge Graphs and Graph Convolutional Neural Networks [14.336830860792707]
  KGrootはイベント知識とイベント間の相関を使って根本原因推論を行う。 実験では、KGrootは第2レベルにおいて93.5%の確率で根本原因を特定できることを示した。
  論文  参考訳（メタデータ） (2024-02-11T10:30:38Z)
• 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)
• RCAgent: Cloud Root Cause Analysis by Autonomous Agents with Tool-Augmented Large Language Models [46.476439550746136]
  近年,クラウド根本原因分析(RCA)における言語モデル (LLM) の適用が活発に検討されている。 RCAgentは、実用的でプライバシに配慮した産業RCA利用のためのツール強化LDM自律エージェントフレームワークである。 RCAgentはGPTファミリではなく、内部的にデプロイされたモデル上で動作し、フリーフォームのデータ収集とツールによる包括的な分析を行うことができる。
  論文  参考訳（メタデータ） (2023-10-25T03:53:31Z)
• Automatic Root Cause Analysis via Large Language Models for Cloud Incidents [51.94361026233668]
  クラウドインシデントの根本原因分析を自動化するために,大規模言語モデルによって強化されたオンコールシステムであるRCACopilotを紹介する。 RCACopilotは、入ってくるインシデントと、そのアラートタイプに基づいて対応するインシデントハンドラとをマッチングし、クリティカルランタイム診断情報を集約し、インシデントの根本原因カテゴリを予測し、説明的な物語を提供する。 Microsoftから1年分のインシデントからなる実世界のデータセットを使用してRCACopilotを評価する。
  論文  参考訳（メタデータ） (2023-05-25T06:44:50Z)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)
• CloudRCA: A Root Cause Analysis Framework for Cloud Computing Platforms [10.385807432472854]
  CloudRCAと呼ばれる根本原因分析フレームワークを提案する。 キーパフォーマンス指標(KPI)、ログ、トポロジなどの異種マルチソースデータを使用し、重要な特徴を抽出する。 f1スコアの既存のアプローチを、さまざまなクラウドシステムで一貫して上回ります。
  論文  参考訳（メタデータ） (2021-11-05T23:03:21Z)

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。