Fugu-MT 論文翻訳(概要): Agentic Root Cause Analysis through Evidence-Grounded Reasoning

論文の概要: Agentic Root Cause Analysis through Evidence-Grounded Reasoning

arxiv url: http://arxiv.org/abs/2607.22385v1
Date: Fri, 24 Jul 2026 15:10:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 20:58:57.16209
Title: Agentic Root Cause Analysis through Evidence-Grounded Reasoning
Title（参考訳）: Evidence-Grounded Reasoningによるエージェント根の解析
Abstract要約: AgentRCAはエビデンス基底根本原因分析のためのゼロショットエージェントフレームワークである。データ駆動型ディジタルツインとツール拡張された大きな言語モデルを組み合わせることで、推論時推論を実行する。障害固有のトレーニングに頼ることなく、完全に教師されたベースラインと競合する診断性能を実現する。
参考スコア（独自算出の注目度）: 16.37572484400141
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Diagnosing the root cause of anomalies is essential for safe industrial operation. Despite extensive sensor instrumentation, formulating hypotheses and gathering evidence remains a manual process, creating a major operational bottleneck. While existing data-driven approaches aim to automate this, two critical limitations restrict their deployment: their operate as black boxes unable to justify their diagnosis, and they require scarce labeled examples of faulty operation. To address this gap, we introduce AgentRCA, a zero-shot agentic framework for evidence-grounded root cause analysis. Rather than learning fault-specific mappings, AgentRCA performs inference-time reasoning by combining a data-driven digital twin (modeling normal system dynamics) with a tool-augmented large language model. The agent iteratively gathers statistical evidence, evaluates competing hypotheses, and identifies the physical fault that best explains the observed behavior. Evaluated on a real-world multiphase-flow facility and a large-scale chemical plant, AgentRCA achieves diagnostic performance competitive with fully supervised baselines without relying on fault-specific training. Crucially, it produces transparent reasoning traces that explicitly link observed symptoms to their underlying physical causes. These results establish autonomous hypothesis-driven reasoning as a practical foundation for scalable industrial root cause analysis.
Abstract（参考訳）: 異常の根本原因の診断は安全な産業運営に不可欠である。広範なセンサーの計測にもかかわらず、仮説の定式化と証拠の収集は手作業で行われており、主要な運用ボトルネックを生み出している。既存のデータ駆動アプローチは、これを自動化することを目指しているが、2つの重要な制限がある。このギャップに対処するために,エビデンス基底根本原因分析のためのゼロショットエージェントフレームワークであるAgentRCAを紹介する。 AgentRCAは、フォールト固有マッピングを学習するのではなく、データ駆動型デジタルツイン(通常のシステムダイナミクスをモデル化する)とツール拡張された大きな言語モデルを組み合わせることで、推論時推論を実行する。エージェントは、統計的証拠を反復的に収集し、競合する仮説を評価し、観察された振る舞いを最もよく説明する物理的欠陥を特定する。実世界の多相流施設と大規模化学プラントで評価され,AgentRCAは,断層固有の訓練に頼ることなく,完全に教師付きベースラインと競合する診断性能を実現する。重要な点として、観察された症状をその下にある物理的原因に明示的に関連付ける透明な推論の痕跡を生成する。これらの結果は、スケーラブルな産業根本原因分析の実践的基盤として、自律仮説駆動推論を確立した。

関連論文リスト

How Far Can Root Cause Analysis Go on Real-World Telemetry Data? [0.8594140167290097]
従来の因果探索法や既存のLLMベースのマルチエージェントシステムでは根本原因を確実に特定できないことを示す。本稿では,既存のLLMベースおよび古典的ベースラインを著しく上回る構造的マルチエージェントRCAパイプラインを提案する。
論文参考訳（メタデータ） (2026-07-15T07:54:46Z)
Causal Discovery in the Era of Agents [16.999301469208877]
我々は因果発見におけるエージェントの役割について異論を唱えている。我々はエージェントがワークフローを支援する原則を提案し、因果的主張はデータ、明示的な仮定、フォーマルなアルゴリズム、診断、ユーザーまたはドメイン専門家による決定に基礎を置いている。我々は、この原理を、因果学習のアルゴリズム的エコシステムを取り巻く、データ分析、前処理、メソッドレコメンデーション、エキスパート知識の取り込み、正式な発見と解釈を協調するオンラインプラットフォームである因果学習+でインスタンス化する。
論文参考訳（メタデータ） (2026-06-22T17:09:22Z)
Causal Scaffolding for Physical Reasoning: A Benchmark for Causally-Informed Physical World Understanding in VLMs [49.55219052565761]
CausalPhysは、知覚、予測、介入、目標指向という4つの領域にまたがる、ビデオと画像に基づく3000以上の慎重にキュレートされた質問のベンチマークである。各質問は、専門家がアノテートした因果グラフがオブジェクト・属性・イベントの依存関係をキャプチャし、因果理解の解釈可能かつきめ細かい評価を可能にする。これに基づいて、モデルの連鎖推論が正しい因果関係とどの程度うまく一致しているかを定量的に測定する因果グラフ基底計量を定式化する。本稿では,CRFT(Causal Rationale-informed Fine-Tuning)を提案する。
論文参考訳（メタデータ） (2026-06-04T10:07:05Z)
CausaLab: A Scalable Environment for Interactive Causal Discovery Toward AI Scientists [28.253879252786632]
LLMエージェントによる対話的因果発見を評価するスケーラブルな環境であるCausaLabを紹介する。以前の評価とは異なり、CausaLabは、エージェントが因果的証拠を用いて問題を解くことができるかどうか、そしてその答えが忠実に回復された因果的メカニズムに根ざされているかどうかを評価している。
論文参考訳（メタデータ） (2026-05-25T16:57:06Z)
Reason-IAD: Knowledge-Guided Dynamic Latent Reasoning for Explainable Industrial Anomaly Detection [85.29900916231655]
Reason-IADは、説明可能な産業異常検出のための知識誘導型動的潜在推論フレームワークである。実験により、Reason-IADは最先端の手法よりも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） (2026-02-10T14:54:17Z)
CausalT5K: Diagnosing and Informing Refusal for Trustworthy Causal Reasoning of Skepticism, Sycophancy, Detection-Correction, and Rung Collapse [1.4608214000864057]
CausalT5Kは10ドメインにわたる5000以上のケースの診断ベンチマークである。合成ベンチマークとは異なり、CausalT5Kはリアルな物語に因果トラップを埋め込んでいる。予備的な実験では、静的監査ポリシーが普遍的に失敗する4段階のコントロールランドスケープが示される。
論文参考訳（メタデータ） (2026-02-09T17:36:56Z)
Think Locally, Explain Globally: Graph-Guided LLM Investigations via Local Reasoning and Belief Propagation [5.191980417814362]
LLMエージェントは、ほとんどの環境が静的で、必要な情報がモデルのコンテキストウインドウに適合する場合、排他的になる。直腸型薬剤は、この体制では特に脆い。本稿では,LLMが限定的な局所的エビデンスマイニングとラベリングを行うためのフレームワークであるEoGを提案する。
論文参考訳（メタデータ） (2026-01-25T17:27:19Z)
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 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)
CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文参考訳（メタデータ） (2020-04-18T20:09:34Z)
Towards Causality-Aware Inferring: A Sequential Discriminative Approach for Medical Diagnosis [142.90770786804507]
医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
論文参考訳（メタデータ） (2020-03-14T02:05:54Z)

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。