論文の概要: NetCause: Counterfactual Learning for Root Cause Analysis in Large-Scale Networks

• arxiv url: http://arxiv.org/abs/2606.13543v1
• Date: Thu, 11 Jun 2026 16:26:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.912005
• Title: NetCause: Counterfactual Learning for Root Cause Analysis in Large-Scale Networks
• Title（参考訳）: NetCause:大規模ネットワークにおける根本原因解析の非現実的学習
• Authors: Fabien Chraim, Jian Zhang, Dominik Janzing, Xiang Song, Christos Faloutsos, John Evans,
• Abstract要約: ネットワークインシデントをグラフ時間プロセスとしてモデル化する,自己教師型学習ベースのフレームワークであるNetCauseを提案する。 主要なクラウドプロバイダのプロダクションネットワークから6ヶ月以上にわたって収集された1,500以上のインシデントに基づいてモデルをトレーニングし、31のエキスパートラベルインシデントで評価します。
• 参考スコア（独自算出の注目度）: 19.973156931073447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Can a learned model capture how faults propagate through a large-scale network and use this knowledge to causally attribute customer impact to its underlying root cause? Existing root cause analysis techniques often rely on static rules, correlation heuristics, or topology-local reasoning, which struggle to generalize in dynamic environments where faults propagate across complex physical and logical dependencies. We present NetCause, a self-supervised learning-based framework that models network incidents as graph-temporal processes and uses counterfactual simulation to rank candidate root causes. This approach produces an interpretable ranking of root cause hypotheses and integrates naturally with operator-defined mitigation and remediation actions. We train the model on over 1,500 incidents collected over six months from a leading cloud provider's production network and evaluate it on 31 expert-labeled incidents. NetCause consistently improves root cause ranking quality in the regime most relevant to operational decision-making, achieving a 16.1% accuracy improvement over a rule-based heuristic baseline. While training is computationally intensive, inference is lightweight, requiring only seconds of GPU runtime per incident (well below typical telemetry collection latencies).
• Abstract（参考訳）: 学習したモデルは、大規模なネットワークを介して障害がどのように伝播するかを捉え、この知識を使って顧客の影響を根本原因に因果関係付けることができるだろうか? 既存の根本原因分析技術は、しばしば静的な規則、相関ヒューリスティックス、あるいはトポロジカルな推論に頼っている。 本稿では,ネットワークインシデントをグラフ時間的プロセスとしてモデル化する自己教師型学習ベースフレームワークNetCauseについて紹介する。 このアプローチは根本原因仮説の解釈可能なランキングを生成し、演算子定義の緩和と修復のアクションと自然に統合する。 主要なクラウドプロバイダのプロダクションネットワークから6ヶ月以上にわたって収集された1,500以上のインシデントに基づいてモデルをトレーニングし、31のエキスパートラベルインシデントで評価します。 NetCauseは、運用上の意思決定に最も関係のある体制において、根本原因のランキング品質を一貫して改善し、ルールベースのヒューリスティックベースラインよりも16.1%の精度の向上を実現している。 トレーニングは計算集約的だが、推論は軽量で、インシデント毎のGPU実行時間はわずか数秒である(一般的なテレメトリコレクションレイテンシよりも低い)。

関連論文リスト

• Graphical Causal Reasoning for Root Cause Analysis in Cloud Networks [6.527926874739627]
  クラウドコンピューティングは本質的に複雑なシステムである大規模ネットワークに依存している。 本稿では,ネットワークインシデントにおける根本原因分析(RCA)の新たなアプローチとして,グラフに基づく因果探索手法を提案する。
  論文  参考訳（メタデータ） (2026-06-11T16:20:51Z)
• 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)
• Root Cause Analysis In Microservice Using Neural Granger Causal Discovery [12.35924469567586]
  本稿では、ニューラルグラガー因果探索と対照的学習を用いた根本原因解析の新しい手法であるRUNを提案する。 RUNは時系列からコンテキスト情報を統合することでバックボーンエンコーダを強化し、時系列予測モデルを利用して神経グランガー因果発見を行う。 さらに、RUNはPagerankをベクターに組み込んで、トップkのルート原因を効率的に推奨している。
  論文  参考訳（メタデータ） (2024-02-02T04:43:06Z)
• A Dynamical Model of Neural Scaling Laws [79.59705237659547]
  ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。 我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
  論文  参考訳（メタデータ） (2024-02-02T01:41:38Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Hierarchical Graph Neural Networks for Causal Discovery and Root Cause Localization [52.72490784720227]
  REASONはTopological Causal DiscoveryとPersonal Causal Discoveryで構成されている。 Topological Causal Discoveryコンポーネントは、根本原因を辿るために断層伝播をモデル化することを目的としている。 個々の因果発見コンポーネントは、単一のシステムエンティティの突然の変化パターンのキャプチャに重点を置いている。
  論文  参考訳（メタデータ） (2023-02-03T20:17:45Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• An Influence-based Approach for Root Cause Alarm Discovery in Telecom Networks [7.438302177990416]
  実際には、正確で自己調整可能なアラームの根本原因分析は、ネットワークの複雑さと大量のアラームのために大きな課題である。 因果推論とネットワーク埋め込み技術を組み合わせたルート原因警報定位のためのデータ駆動型フレームワークを提案する。 人工データと現実世界の通信データについて評価し,最適なベースラインに対して有意な改善を示した。
  論文  参考訳（メタデータ） (2021-05-07T07:41:46Z)
• Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
  本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。 我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。 本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-01T00:58:54Z)

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。