論文の概要: EvoCause: LLM-Guided Evolution of Causal Graphs for Root Cause Analysis
- arxiv url: http://arxiv.org/abs/2607.27290v1
- Date: Wed, 29 Jul 2026 15:01:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.285074
- Title: EvoCause: LLM-Guided Evolution of Causal Graphs for Root Cause Analysis
- Title（参考訳）: EvoCause: 根本原因解析のための因果グラフのLLMガイドによる進化
- Abstract要約: 一般的なアプローチでは、観測ログから因果グラフを学習し、インシデントによって引き起こされる各サブグラフにおけるすべての零度警報を予測する。
我々は,大言語モデル(LLM)を用いて意味論的に検証可能なグラフ編集を提案し,決定論的コードはノードの同一性や非循環性を検証する。
さらに私たちは,485,681ドルのアラームイベントが5,621ドルのリソースに対して194ドルのアラームタイプにまたがる,運用用通信ネットワークから,専門家によるアラーム付きベンチマークであるTeleRCAをリリースしています。
- 参考スコア（独自算出の注目度）: 42.99212232636026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern telecommunication, cloud, and microservice systems emit correlated alarm cascades when components fail. Root cause analysis (RCA) aims to identify the small set of alarms that initiate each cascade. A common approach learns a causal graph from observational logs and predicts all zero-in-degree alarms in each incident-induced subgraph. However, the learned graph remains fixed and cannot benefit from expert diagnoses of historical incidents. We close this loop with EvoCause. Expert labels constrain which alarms should be source nodes but do not specify the edge edits needed to satisfy those constraints. EvoCause uses a large language model (LLM) to propose semantically plausible graph edits, while deterministic code validates node identities and acyclicity and retains the best graph on a labeled alignment set. At test time, the refined graph alone produces transparent predictions without an LLM call. We also release TeleRCA, an expert-annotated benchmark from a production telecommunication network containing $485{,}681$ alarm events spanning $194$ alarm types over $5{,}621$ resources. On synthetic data, EvoCause initialized with the PC causal discovery algorithm outperforms the unrefined PC baseline, raising Node F1, Case EM, and Graph F1 by $11.59$, $9.40$, and $4.59$ percentage points, respectively, while reducing nSHD by $0.2379$. On TeleRCA, replacing human-readable alarm titles with anonymous identifiers lowers Node F1 and Case EM by $6.12$ and $8.04$ percentage points, respectively, indicating that alarm-name information contributes to graph refinement.
- Abstract（参考訳）: 現代の通信、クラウド、マイクロサービスシステムは、コンポーネントが失敗するとアラームカスケードをアラームする。
ルート原因分析(RCA)は、各カスケードを起動するアラームの小さなセットを特定することを目的としている。
一般的なアプローチでは、観測ログから因果グラフを学習し、インシデントによって引き起こされる各サブグラフにおけるすべての零度警報を予測する。
しかし、学習グラフは依然として固定されており、歴史的事件の専門的な診断の恩恵を受けることはできない。
EvoCauseでこのループをクローズします。
専門家ラベルは、どのアラームがソースノードであるべきかを制約するが、これらの制約を満たすのに必要なエッジ編集は指定しない。
EvoCauseは大きな言語モデル(LLM)を用いて意味論的に妥当なグラフ編集を提案し、決定論的コードはノードのアイデンティティと非循環性を検証し、ラベル付きアライメントセット上で最高のグラフを保持する。
テスト時にのみ、洗練されたグラフはLLMコールなしで透過的な予測を生成する。
さらに私たちは,485{,}681ドルのアラームイベントを5{,}621ドルのリソース上で194ドルのアラームタイプに分散した,運用用通信ネットワークからのエキスパートアノテートベンチマークであるTeleRCAをリリースしました。
PC因果探索アルゴリズムで初期化されたEvoCauseは、未精製のPCベースラインより優れ、ノードF1、ケースEM、グラフF1を11.59ドル、9.40ドル、および4.59ドルのパーセンテージポイントで、nSHDを0.2379ドル削減した。
TeleRCAでは、人間が読めるアラームタイトルを匿名の識別子で置き換えると、ノードF1とケースEMはそれぞれ6.12$と8.04$のパーセンテージポイントが減少し、アラーム名の情報がグラフの洗練に寄与することを示している。
関連論文リスト
- Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。
3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-09-15T00:31:01Z) - Auditable Graph-Guided Root Cause Analysis for Kubernetes Incidents [1.116726665785374]
LLM推論と特殊なツールを組み合わせたグラフ誘導RCAエージェントであるグラフトラバースエージェントを提案する。
我々は、読み取り専用エビデンス収集、伝搬認識診断、有界実行、独立に検証された検証を含む運用上の制約をマップする。
ある固定されたqwenオーバージャッジによってスコアされたITBenchスナップショットでは、監査されたシステムは、同じシステムの初期のイテレーションに対してルート因果F1を上昇させる。
論文 参考訳（メタデータ） (2026-06-07T12:05:09Z) - Beyond Accuracy: A Unified Random Matrix Theory Diagnostic Framework for Crash Classification Models [6.908972852063454]
ランダム行列理論(RMT)とヘビープレート自己正規化(HTSR)に基づく診断枠組みを導入する。
アイオワDOTの2つのクラッシュ分類タスク(173,512,371,062)において,9つのモデルファミリーを評価した。
正規化されたモデルは常に$[2, 4]$(平均2.87 pm 0.34$)内で$を出力します。
我々は、$$ベースの早期停止基準とスペクトルモデル選択プロトコルを提案し、両者が相互検証されたFに対して検証する。
論文 参考訳（メタデータ） (2026-02-23T05:42:54Z) - Cross-validating causal discovery via Leave-One-Variable-Out [11.891940572224783]
私たちは"Leave-One-Variable-Out (LOVO)"予測を使い、$Y$は$X$から推論されるが、$X$と$Y$は共同で観測されることはない。
Acyclic Directed Mixed Graphs (ADMGs) という形で、2つの部分集合上の因果モデルが、しばしば$X$ と $Y$ の依存関係に関する結論を導くことを示した。
この予測誤差は、$P(X, Y)$が利用可能であると仮定され、$X$と$Y$がfalの目的のために省略されているため推定できる。
論文 参考訳（メタデータ） (2024-11-08T15:15:34Z) - 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) - On the Unlikelihood of D-Separation [69.62839677485087]
解析的な証拠として、大きなグラフ上では、d-分離は存在が保証されたとしても珍しい現象である。
PCアルゴリズムでは、その最悪ケース保証がスパースグラフで失敗することが知られているが、平均ケースでも同じことが言える。
UniformSGSでは、既存のエッジに対してランニング時間が指数的であることが知られているが、平均的な場合、それは既存のほとんどのエッジにおいても期待されるランニング時間であることを示す。
論文 参考訳（メタデータ） (2023-03-10T00:11:18Z) - Certified Graph Unlearning [39.29148804411811]
グラフ構造化データは実際にユビキタスであり、しばしばグラフニューラルネットワーク(GNN)を使用して処理される
我々は,GNNのemph認定グラフアンラーニングのための最初のフレームワークを紹介する。
ノード機能、エッジ、ノードアンラーニングの3つの異なるタイプのアンラーニング要求を検討する必要がある。
論文 参考訳（メタデータ） (2022-06-18T07:41:10Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳（メタデータ） (2022-02-11T09:45:11Z) - Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。
既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。
現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。
我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
論文 参考訳（メタデータ） (2021-12-02T03:18:18Z) - Node Feature Extraction by Self-Supervised Multi-scale Neighborhood
Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。
GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。
我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-29T19:55:12Z) - 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)
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。