論文の概要: Hypergraph and Latent ODE Learning for Multimodal Root Cause Localization in Microservices

• arxiv url: http://arxiv.org/abs/2605.00351v1
• Date: Fri, 01 May 2026 02:18:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.822064
• Title: Hypergraph and Latent ODE Learning for Multimodal Root Cause Localization in Microservices
• Title（参考訳）: マルチモーダルルートにおけるハイパーグラフと潜時ODE学習によるマイクロサービスのローカライゼーション
• Authors: Xin Liu, Yuhang He, Sichen Zhao, Kejian Tong, Xingyu Zhang,
• Abstract要約: クラウドネイティブなマイクロサービスシステムのローカライズには、複雑なサービス依存関係、不規則な時間的ダイナミクス、異種可観測データといったモデリングが必要になります。 本稿では,ハイパーグラフ注意学習,潜時常微分方程式,微粒な根本原因解析のための多モード相互注意融合を組み合わせた統合フレームワークHyperODE RCAを提案する。
• 参考スコア（独自算出の注目度）: 25.49822040345663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Root cause localization in cloud native microservice systems requires modeling complex service dependencies, irregular temporal dynamics, and heterogeneous observability data. We present HyperODE RCA, a unified framework that combines hypergraph attention learning, latent ordinary differential equations, and multimodal cross attention fusion for fine grained root cause analysis. The method learns higher order service interactions through differentiable hyperedge construction, captures continuous anomaly evolution from irregular observations with an ODE RNN encoder, and adaptively fuses logs, traces, metrics, entities, and events using context aware modality routing. We further improve robustness with a variational information bottleneck, temporal causal regularization, and invariant risk constraints. Experiments on the Tianchi AIOps benchmark show clear gains over strong baselines in ranking and classification performance, while preserving interpretability through learned hypergraph attention.
• Abstract（参考訳）: クラウドネイティブなマイクロサービスシステムのローカライズには、複雑なサービス依存関係、不規則な時間的ダイナミクス、異種可観測データといったモデリングが必要になります。 本稿では,ハイパーグラフ注意学習,潜時常微分方程式,微粒な根本原因解析のための多モード相互注意融合を組み合わせた統合フレームワークHyperODE RCAを提案する。 この方法は、微分可能ハイパーエッジ構造により高次サービス間相互作用を学習し、ODE RNNエンコーダによる不規則な観測から連続的な異常進化を捉え、コンテキストを考慮したモーダルルーティングを用いてログ、トレース、メトリクス、エンティティ、イベントを適応的に融合する。 さらに、変動情報ボトルネック、時間的因果正則化、不変リスク制約により、ロバスト性をさらに向上する。 Tianchi AIOpsベンチマークの実験では、ランキングと分類性能の強いベースラインよりも明らかに向上し、学習されたハイパーグラフの注意による解釈可能性の維持が示されている。

関連論文リスト

• Adaptive Guidance for Retrieval-Augmented Masked Diffusion Models [60.25003813232697]
  本稿では,Masked Diffusion Models (MDMs) のトレーニング自由適応ガイダンスフレームワークとして,適応検索型Masked Diffusion (ARAM) を提案する。 ARAMは、検索した文脈によって誘導される分布シフトのSNR(Signal-to-Noise Ratio)に従って、雑音発生時の誘導スケールを校正する。 複数の知識集約型QAベンチマークの実験は、ARAMが競争力のあるRAGベースラインよりも全体的なQA性能を改善することを示している。
  論文  参考訳（メタデータ） (2026-03-18T12:54:50Z)
• Graph Neural AI with Temporal Dynamics for Comprehensive Anomaly Detection in Microservices [7.957284443727372]
  本研究では,マイクロサービスアーキテクチャにおける異常検出と根本原因追跡の問題に対処する。 グラフニューラルネットワークと時間的モデリングを組み合わせた統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T08:28:41Z)
• DynaCausal: Dynamic Causality-Aware Root Cause Analysis for Distributed Microservices [17.058900957896864]
  DynaCausalは、分散マイクロサービスシステムにおける原因分析のための動的因果認識フレームワークである。 我々は、DynaCausalが最先端の手法を一貫して超え、平均AC@1が0.63で、絶対利得が0.25から0.46であることを示す。
  論文  参考訳（メタデータ） (2025-10-26T10:13:18Z)
• Hypergraph Learning based Recommender System for Anomaly Detection, Control and Optimization [0.0]
  本稿では,(a)離散ハイパーグラフ構造の連成学習のための自己適応型異常検出フレームワークと,(b)相互依存型センサ間の時間的傾向と空間的関係をモデル化する。 このフレームワークは、ハイパーグラフ構造データのリレーショナル帰納バイアスを利用して、ポイントワイズ・シングルステップ・アヘッド予測を学習する。 ルート原因分析のための異常情報伝搬に基づく計算ハイパーグラフを導出し、オフラインで最適な予測制御ポリシを通じて推奨する。
  論文  参考訳（メタデータ） (2024-08-21T06:04:02Z)
• 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)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。