論文の概要: ORCA: An End-to-End Interactive Copilot for Optimized Root Cause Analysis

• arxiv url: http://arxiv.org/abs/2605.27022v1
• Date: Tue, 26 May 2026 13:41:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.193014
• Title: ORCA: An End-to-End Interactive Copilot for Optimized Root Cause Analysis
• Title（参考訳）: ORCA: 最適化根起因解析のためのエンドツーエンドインタラクティブコパイロット
• Authors: Phi Nguyen Xuan, Nicholas Tagliapietra, Lavdim Halilaj, Kristian Kersting, Juergen Luettin,
• Abstract要約: 因果分析は製造業、社会科学、医学など多くの分野において重要な課題である。 本稿では,エンド・ツー・エンド因果解析のコパイロットであるORCAを紹介する。 エージェントを編成してユーザの目標を理解し、最も適切な因果解析ワークフローを通じてそれらをガイドする。
• 参考スコア（独自算出の注目度）: 28.979028254789714
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Causal analysis is a crucial task in many domains, including manufacturing, social science, and medicine. However, despite recent progress, the conceptual and methodological complexity of causal methods makes them largely inaccessible to domain experts. This gap prevents experts from leveraging these advances and hinders researchers who lack access to real-world data for validation. To bridge this divide, we introduce ORCA, a copilot for end-to-end causal analysis. ORCA orchestrates agents to understand the user's goals and guide them through the most appropriate causal analysis workflow, from fully automatic to highly user-guided execution. It features causal discovery, causal effect estimation, explainability and Root-Cause-Analysis (RCA). ORCA evaluates and compares performance, generates key metrics and diagrams, and generates insights through structured reports. We highlight its effectiveness across several real-world use-cases.
• Abstract（参考訳）: 因果分析は製造業、社会科学、医学など多くの分野において重要な課題である。 しかし、近年の進歩にもかかわらず、因果的手法の概念的および方法論的複雑さは、ドメインの専門家にはほとんどアクセスできない。 このギャップは、専門家がこれらの進歩を活用するのを妨げ、現実世界のデータにアクセスできない研究者を妨げます。 この分割を橋渡しするために、エンド・ツー・エンド因果解析のコパイロであるORCAを導入する。 ORCAはエージェントを編成して,ユーザの目標を理解し,適切な因果解析ワークフローを通じて,完全な自動実行から高いユーザ誘導実行に至るまで,それらをガイドする。 因果発見、因果効果の推定、説明可能性、根因果解析(RCA)などが特徴である。 ORCAはパフォーマンスを評価して比較し、主要なメトリクスと図を生成し、構造化されたレポートを通じて洞察を生成する。 いくつかの実世界のユースケースで有効性を強調します。

関連論文リスト

• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)
• Causal-Copilot: An Autonomous Causal Analysis Agent [25.5944359329613]
  Causal-Copilotは、専門家レベルの因果分析を運用する自律エージェントである。 自然言語によるインタラクティブな洗練をサポートし、非専門主義者の障壁を低くする。 私たちのシステムは、ドメインエキスパートのための高度な因果的手法へのアクセスを拡大する、活発なサイクルを育みます。
  論文  参考訳（メタデータ） (2025-04-17T18:05:39Z)
• 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)
• Can Large Language Models Help Experimental Design for Causal Discovery? [94.66802142727883]
  Large Language Model Guided Intervention Targeting (LeGIT) は、LLMを効果的に組み込んだ堅牢なフレームワークであり、因果発見のための介入のための既存の数値的アプローチを強化する。 LeGITは、既存の方法よりも大幅な改善と堅牢性を示し、人間を超越している。
  論文  参考訳（メタデータ） (2025-03-03T03:43:05Z)
• PORCA: Root Cause Analysis with Partially Observed Data [15.007249208547885]
  ルート原因分析(RCA)は、複雑なシステムから因果構造を発見し解析することによって、システム障害の原因を特定することを目的としている。 以前の研究では、部分的な観察の効果を無視するシステムの全観察を暗黙的に仮定していた。 PORCAは、保存されていない共同創設者と保存されていない異質性の両方の下で、信頼性の高い根本原因を探索できる新しいRCAフレームワークである。
  論文  参考訳（メタデータ） (2024-07-08T12:31:12Z)
• Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
  我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。 大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• 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)
• PyRCA: A Library for Metric-based Root Cause Analysis [66.72542200701807]
  PyRCAは、AIOps(AIOps)のためのRoot Cause Analysis(RCA)のオープンソースの機械学習ライブラリである。 複雑なメトリクス因果依存性を明らかにし、インシデントの根本原因を自動的に特定する、包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-06-20T09:55:10Z)

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。