論文の概要: Root Cause Analysis with Latent Confounders using Partial Ancestral Graphs

• arxiv url: http://arxiv.org/abs/2606.20912v1
• Date: Thu, 18 Jun 2026 20:08:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:01:16.90644
• Title: Root Cause Analysis with Latent Confounders using Partial Ancestral Graphs
• Title（参考訳）: 部分アンセストラルグラフを用いた潜在的共同創設者の根本原因分析
• Authors: Henrique O. Caetano, Rafael Arone, Carlos Dias Maciel,
• Abstract要約: 障害の原因を見つけることは、異常の根本原因を特定し、複雑なシステムの信頼性を維持するために不可欠である。 因果理論は、データ駆動のルート因果解析を進歩させてきたが、既存のフレームワークは因果補充を前提としており、現実の環境でよく見られる観測されていない潜伏変数を説明できない。 このフレームワークは、潜伏変数の存在下でRCAを実行するために、部分アンセストラルグラフ(PAG)に対するパラメトリック介入としてシステム障害をモデル化する。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding the source of failures, known as Root Cause Analysis (RCA), is essential for identifying the root causes of anomalies and maintaining the reliability of complex systems. While causal theory has advanced data-driven RCA, existing frameworks assume causal sufficiency, failing to account for the unobserved latent variables prevalent in real-world environments. To address this gap, we propose PAG-RCA. This framework models system failures as parametric interventions over Partial Ancestral Graphs (PAGs) to perform RCA in the presence of latent variables. We use standard causal identification algorithms to find the source of failures by quantifying causal effects over the PAG. When an effect is identifiable, candidate root causes are ranked based on their exact intervention effects. When effects are structurally unidentifiable, our framework (for the first time in the RCA literature) integrates partial identification to evaluate and score candidates using analytical causal bounds. By integrating latent variables and partial identification at once our framework ensures robust RCA even under data scarcity and latent-variable scenarios where traditional methods degrade. Evaluations on synthetic data, microservice anomaly benchmarks and power-grid cascading failures demonstrate that PAG-RCA consistently outperforms state-of-the-art data-driven baselines. By improving data-driven RCA performance under data scarcity, this methodology advances reliable automated diagnostics in partially observable complex networks.
• Abstract（参考訳）: ルート原因解析(RCA)として知られる障害の原因を見つけることは、異常の根本原因を特定し、複雑なシステムの信頼性を維持するために不可欠である。 因果理論はデータ駆動型RCAを進化させてきたが、既存のフレームワークは因果補充を前提としており、現実の環境でよく見られる観測されていない潜伏変数を考慮に入れていない。 このギャップに対処するため,PAG-RCAを提案する。 このフレームワークは、潜伏変数の存在下でRCAを実行するために、部分アンセストラルグラフ(PAG)に対するパラメトリック介入としてシステム障害をモデル化する。 我々は、標準的な因果同定アルゴリズムを用いて、PAG上の因果効果を定量化し、故障の原因を見つける。 効果が特定されると、その正確な介入効果に基づいて候補根本原因がランク付けされる。 影響が構造的に不明な場合、我々のフレームワーク(RCA文献ではじめて)は部分的識別を統合し、分析因果境界を用いて候補を評価し評価する。 遅延変数と部分的識別を一度に統合することで、従来のメソッドが劣化するデータ不足や潜時変数のシナリオであっても、堅牢なRCAが保証されます。 合成データ、マイクロサービス異常ベンチマーク、電力グリッドカスケード障害の評価は、PAG-RCAが一貫して最先端のデータ駆動ベースラインを上回っていることを示している。 データ不足下でのデータ駆動型RCAの性能を改善することにより、この手法は部分的に観測可能な複雑なネットワークにおける信頼性の高い自動診断を進歩させる。

関連論文リスト

• Anomaly Detection and Root Cause Analysis for Microservice Systems [0.0]
  マイクロサービスシステムは、クラウドアプリケーションを構築するために広く使われていますが、その複雑さにより、障害は避けられません。 この論文は、マイクロサービスの障害に対する自動異常検出と根本原因分析を前進させる。
  論文  参考訳（メタデータ） (2026-06-08T00:50:43Z)
• 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)
• 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)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• 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)
• 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)
• Causal Inference-Based Root Cause Analysis for Online Service Systems with Intervention Recognition [11.067832313491449]
  本稿では,介入認識という新たな因果推論タスクとして根本原因分析問題を定式化する。 我々は、因果推論に基づく新しい教師なし因果推論手法、Causal Inference-based Root Cause Analysis (CIRCA)を提案する。 実世界のデータセットのパフォーマンスは、CIRCAが最高のベースラインメソッドよりも、トップ1レコメンデーションのリコールを25%改善できることを示している。
  論文  参考訳（メタデータ） (2022-06-13T01:45:13Z)

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。