論文の概要: Root cause analysis via difference graph discovery from linear time-series data

• arxiv url: http://arxiv.org/abs/2608.21117v1
• Date: Fri, 21 Aug 2026 13:59:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.563119
• Title: Root cause analysis via difference graph discovery from linear time-series data
• Title（参考訳）: 線形時系列データからの差分グラフ探索による根本原因解析
• Abstract要約: 差分グラフ発見レンズを用いた線形時系列の根本原因解析について検討した。 線形離散時間動的構造因果モデルを用いてこの問題を定式化する。 グラフ発見が異常行動の原因となる因果機構の局在化にどのように役立つかを示す。
• 参考スコア（独自算出の注目度）: 4.479834103607383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Root cause analysis aims to identify the mechanisms responsible for anomalies in complex dynamical systems. In this paper, we study root cause analysis in linear time-series through the lens of difference graph discovery. We focus on effect-defying root causes, corresponding to variables whose causal coefficients change between a normal and an anomalous regime. We formalize this problem using linear discrete-time dynamic structural causal models and adapt several methods originally introduced for discovering difference graphs between two populations to the time-series setting, where the two populations are replaced by a normal and an anomalous regime. We first evaluate the proposed approaches on simulated data, and then demonstrate their practical relevance on real-world datasets from IT monitoring and intensive care monitoring. Our results show how difference graph discovery can help localize causal mechanisms responsible for anomalous behavior.
• Abstract（参考訳）: ルート原因分析は、複雑な力学系における異常の原因となるメカニズムを特定することを目的としている。 本稿では,差分グラフ発見のレンズを用いた線形時系列の根本原因解析について検討する。 因果係数が正常な状態と異常な状態の間で変化する変数に対応する効果定義根本原因に着目した。 線形離散時間動的構造因果モデルを用いてこの問題を定式化し、もともとは2つの集団間の差グラフをタイムシリーズ設定に発見するために導入されたいくつかの手法を適用し、そこでは2つの個体群を通常のものと異常な状態に置き換える。 シミュレーションデータに対する提案手法をまず評価し,ITモニタリングと集中型ケアモニタリングによる実世界のデータセットとの関連性を実証した。 この結果から,グラフ発見が異常行動の原因となる因果機構の局在化にどう役立つかが示唆された。

関連論文リスト

• Causal Disentanglement Learning for Accurate Anomaly Detection in Multivariate Time Series [0.2348805691644085]
  本稿では,異常検出のための因果解離表現学習(CDRL4AD)を提案する。 まず、因果過程をモデル入力、時間的異質グラフ、因果関係として設計する。 第2に,異なる期間における因果関係を識別し,対応する因果関係を推定するために潜伏変数をアンタングルする。
  論文  参考訳（メタデータ） (2025-10-13T07:26:20Z)
• Unifying Explainable Anomaly Detection and Root Cause Analysis in Dynamical Systems [24.640375297580288]
  本稿では, 常微分方程式(ODE)が支配する力学系における異常検出, 根本原因の局在化, および異常型分類の課題に対処する。 モデル固有の説明可能な学習フレームワークであるICODE(Interpretable Causality Ordinary Differential Equation)ネットワークを提案する。 ICODEは、単一の解釈可能なフレームワーク内で、異常検出、根本原因分析(RCA)、および異常型分類を同時に実行するように設計されている。
  論文  参考訳（メタデータ） (2025-02-17T18:01:07Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• 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)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより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） (2023-11-02T17:26:49Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• Root Cause Identification for Collective Anomalies in Time Series given an Acyclic Summary Causal Graph with Loops [1.8416014644193066]
  本論文はまず,根本原因同定の問題を多くの独立したサブプロブレムに分割する方法について述べる。 この設定の下では、いくつかの根本原因はグラフや異常の出現時から直接発見することができる。 根の他の原因は、正常な状態と異常な状態の直接的な影響を比較することで見つけることができる。
  論文  参考訳（メタデータ） (2023-03-07T16:47:35Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• 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)
• 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)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。