論文の概要: StableRCA: Robust Graph-Agnostic Mechanism-Level Root Cause Analysis
- arxiv url: http://arxiv.org/abs/2606.05636v1
- Date: Thu, 04 Jun 2026 03:02:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-06 06:55:34.632486
- Title: StableRCA: Robust Graph-Agnostic Mechanism-Level Root Cause Analysis
- Title（参考訳）: StableRCA:ロバストグラフ非依存機構-レベルルート原因解析
- Authors: Xiaoyu Lin, Nicholas Tagliapietra, Kehan Li, Lavdim Halilaj, Juergen Luettin,
- Abstract要約: Root-Cause Analysis (RCA) は、製造業、クラウドコンピューティング、医療といった複雑な領域において、異常なシステム動作の原因となる変数を特定することを目的としている。
本研究では,局所マルコフ境界を推定し,その内部の条件分布変化を検出することにより,グローバルグラフ発見を回避するための局所機構レベルRCAフレームワークであるStableRCAを提案する。
合成ベンチマークと5つの実世界のデータセットの実験により、StableRCAはグラフのミスセグメンテーションに堅牢で、複数の介入ターゲットの下で有効であり、大規模システムにスケーラブルで、多様なアプリケーションドメインにわたって信頼性があることが示された。
- 参考スコア（独自算出の注目度）: 4.9565773787819385
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Root-Cause Analysis (RCA) seeks to identify the variables responsible for abnormal system behavior in complex domains such as manufacturing, cloud computing, and healthcare. Existing approaches face a critical bottleneck: graph-based causal methods can identify intervention targets but typically require a known or accurately estimated causal graph, while graph-free statistical methods either localize marginal anomalies rather than structural causes, or rely on restrictive assumptions about graph structure or functional form. We propose StableRCA, a local mechanism-level RCA framework that avoids global graph discovery by estimating local Markov boundaries and detecting conditional distribution shifts within them. Leveraging the Independent Causal Mechanism principle, we show that intervention targets can be identified with probability converging exponentially in sample size under faithful Markov boundary recovery and non-degenerate mechanism shifts. Experiments on synthetic benchmarks and five real-world datasets demonstrate that StableRCA is robust to graph misspecification, effective under multiple intervention targets, scalable to large systems, and reliable across diverse application domains. Code is available at: https://anonymous.4open.science/r/StableRCA-E362
- Abstract（参考訳）: Root-Cause Analysis (RCA) は、製造業、クラウドコンピューティング、医療といった複雑な領域において、異常なシステム動作の原因となる変数を特定することを目的としている。
グラフベースの因果的手法は介入対象を特定することができるが、一般的には既知のあるいは正確に推定された因果グラフを必要とするが、グラフのない統計手法は構造的原因よりも境界異常をローカライズするか、あるいはグラフ構造や機能形式に関する限定的な仮定に依存する。
本研究では,局所マルコフ境界を推定し,その内部の条件分布変化を検出することにより,グローバルグラフ発見を回避するための局所機構レベルRCAフレームワークであるStableRCAを提案する。
独立因果機構の原理を応用し, 干渉対象をマルコフ境界回復と非退化機構シフトの下で, 標本サイズで指数関数的に収束する確率と同定できることを示す。
合成ベンチマークと5つの実世界のデータセットの実験により、StableRCAはグラフのミスセグメンテーションに堅牢で、複数の介入ターゲットの下で有効であり、大規模システムにスケーラブルで、多様なアプリケーションドメインにわたって信頼性があることが示された。
コードは以下の通り。 https://anonymous.4open.science/r/StableRCA-E362
関連論文リスト
- FedCIGAR: A Personalized Reconstruction Approach for Federated Graph-level Anomaly Detection [51.473064583839296]
クラスタ適応型GAted Reconstruction (FedCIGAR) を用いた新しいフェデレーショングラフレベルの異常検出手法を提案する。
具体的には、合成データを避けるために、正規グラフに基づいて訓練された再構成に基づくパラダイムを設計し、さらに、クライアント側ノードコントリビューションゲーティング機構とサーバ側スライディングウィンドウベースのクラスタリング戦略を導入し、データの不均一性に対処する。
論文 参考訳（メタデータ） (2026-05-10T09:03:54Z) - Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。
ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。
実験により,提案手法が最先端検出性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-20T09:24:28Z) - Scalable Contrastive Causal Discovery under Unknown Soft Interventions [3.165716101116899]
本稿では,2つの観測と干渉のペア化のためのスケーラブルな因果探索モデルを提案し,その基礎構造と未知のソフト介入について述べる。
合成データの実験では、因果構造回復の改善、保持された因果機構を持つ未知のグラフへの一般化、より大きなグラフへのスケーラビリティが示されている。
論文 参考訳（メタデータ） (2026-03-03T18:16:16Z) - Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems [25.567981742631005]
公共インフラシステムにおける信頼性の高いサイバー攻撃検出のために設計された因果グラフに基づく異常検出フレームワーク。
CGADは、因果プロファイリングと異常スコアという2段階の監視フレームワークに従う。
因果構造を利用することで、CGADは非定常および不均衡な時系列環境において優れた適応性と精度を実現する。
論文 参考訳（メタデータ） (2025-08-13T05:26:43Z) - Local Markov Equivalence and Local Causal Discovery for Identifying Controlled Direct Effects [0.9208007322096533]
制御された直接効果(CDE)を同定するための新しいアルゴリズムを提案する。
我々のアルゴリズムは条件付き独立テストを少なくし、理論的な保証を維持しながらより弱い仮定の下で運用する。
シミュレーション研究を通して,本手法の有効性について述べる。
論文 参考訳（メタデータ） (2025-05-05T16:47:29Z) - Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。
既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。
本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
論文 参考訳（メタデータ） (2025-02-12T04:07:12Z) - Utilizing Causal Network Markers to Identify Tipping Points ahead of Critical Transition [6.7741619010943]
本稿では因果性指標を取り入れた因果性ネットワークマーカー(CNM)の枠組みを提案する。
臨界遷移に先立って先端点を検出し同定するために、2つのマーカーを設計する。
応用の最も可能性の高い方向は、臨床疾患の尖点の同定である。
論文 参考訳（メタデータ） (2024-12-19T05:10:47Z) - Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。
本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
論文 参考訳（メタデータ） (2023-10-25T10:10:07Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - 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) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。