論文の概要: STAR: Adaptive Spatial-Temporal Normalization for Unified Microservice Incident Management
- arxiv url: http://arxiv.org/abs/2609.31645v1
- Date: Sat, 12 Sep 2026 19:08:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 14:22:32.882313
- Title: STAR: Adaptive Spatial-Temporal Normalization for Unified Microservice Incident Management
- Title（参考訳）: STAR:統合型マイクロサービスインシデント管理のための適応型時空間正規化
- Abstract要約: 大規模マイクロサービスシステムにおけるインシデント管理の自動化は、マルチモーダル可観測データから堅牢な表現を学ぶことに依存する。
最近の自己監督型フレームワークは、異常検出(AD)、障害トリアージ(FT)、根本原因ローカライゼーション(RCL)の統一モデリングを可能にする
本稿では,適応正規化を通じてこれらの課題に明示的に対処する空間的適応表現学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated incident management in large-scale microservice systems relies on learning robust representations from multimodal observability data, including metrics, logs, and traces. Although recent self-supervised frameworks enable unified modeling for anomaly detection (AD), failure triage (FT), and root cause localization (RCL), they often struggle with non-stationary temporal dynamics and heterogeneous service dependency structures. In this paper, we propose STAR, a Spatial-Temporal Adaptive Representation learning framework that explicitly addresses these challenges through adaptive normalizations. STAR introduces two tightly coupled mechanisms: Temporal Adaptive Normalization (TAN), which dynamically normalizes multivariate time series using multi-scale temporal context, and Spatial Adaptive Normalization (SAN), which performs structure-aware normalization over service dependency graphs. Unlike prior methods that treat normalization as static or task-agnostic, STAR formulates it as a learnable, context-conditioned transformation aligned with the intrinsic properties of microservice systems. The resulting adaptive representations are integrated into a unified self-supervised framework, enabling end-to-end unsupervised support for AD, FT, and RCL tasks. Extensive experiments on two real-world microservice benchmarks demonstrate that STAR consistently outperforms all state-of-the-art baselines, yielding significant and stable improvements across all three tasks. Our results highlight adaptive normalization as a principled and effective mechanism for robust multimodal representation learning in complex software systems.
- Abstract（参考訳）: 大規模マイクロサービスシステムにおけるインシデント管理の自動化は、メトリクスやログ、トレースなど、マルチモーダルな可観測データから堅牢な表現を学ぶことに依存する。
最近の自己監督型フレームワークは、異常検出(AD)、障害トリアージ(FT)、根本原因ローカライゼーション(RCL)の統一モデリングを可能にするが、非定常時間ダイナミクスや異種サービス依存構造に苦慮することが多い。
本稿では,適応正規化を通じてこれらの課題に明示的に対処する空間時間適応表現学習フレームワークSTARを提案する。
STARは,多変量時系列を動的に正規化する時間適応正規化(TAN)と,サービス依存グラフ上の構造認識正規化を行う空間適応正規化(SAN)の2つの密結合機構を導入している。
正規化を静的あるいはタスクに依存しないものとして扱う従来の方法とは異なり、STARはマイクロサービスシステムの本質的な性質に合わせて、学習可能なコンテキスト条件付き変換として定式化している。
結果として得られた適応表現は統合された自己教師付きフレームワークに統合され、AD、FT、RCLタスクのエンドツーエンドのアン教師なしサポートを可能にする。
2つの実世界のマイクロサービスベンチマークに関する大規模な実験は、STARがすべての最先端ベースラインを一貫して上回り、3つのタスクで大幅に、安定した改善をもたらしていることを示している。
本研究は, 適応正規化を, 複雑なソフトウェアシステムにおける頑健なマルチモーダル表現学習の原理的かつ効果的なメカニズムとして強調する。
関連論文リスト
- NEST: Tackling Dataset-Level Distribution Shifts via Regime-Oriented Mixture-of-Experts [25.126587044094716]
NESTは、データセットを異なる運用体制のコンポジットとしてモデル化し、再構成するように設計された、特殊なフレームワークである。
NESTはまず、データセットを別の運用体制に分割することで、構造的な特殊化を促進する。
個々の専門家は、レギュラー固有のダイナミクスをキャプチャする特別なカーネルとして機能する。
論文 参考訳（メタデータ） (2026-07-07T05:36:47Z) - LargeMonitor: Monitoring Online Task-Free Continual Learning via Large Pretrained Models [5.257217773590746]
オンラインタスクフリー連続学習(TFCL)では、インテリジェントエージェントが非定常データストリームからの知識を逐次蓄積する必要がある。
既存のオンラインTFCLパラダイムは、トレーニング結合された最適化ダイナミクスによって駆動されるパラメータ効率の高いプロンプトチューニングや動的構造拡張に依存している。
我々は,タスクフリーな継続的適応を自律的にオーケストレーションするために,大規模な事前学習基盤モデルを活用するフレームワークであるLargeMonitorを提案する。
論文 参考訳（メタデータ） (2026-06-08T12:41:15Z) - Chain of Modality: From Static Fusion to Dynamic Orchestration in Omni-MLLMs [84.3271821505699]
カオス・オブ・モダリティ(Chain of Modality, CoM)は、マルチモーダル融合を受動的結合から動的オーケストレーションに移行するエージェントフレームワークである。
CoMはトレーニングフリーまたはデータ効率のSFT設定で動作し、様々なベンチマークで堅牢で一貫した一般化を実現する。
論文 参考訳（メタデータ） (2026-04-16T01:21:14Z) - SPARD: Self-Paced Curriculum for RL Alignment via Integrating Reward Dynamics and Data Utility [71.76390626651254]
本研究では,学習の進捗を把握し,多目的報酬重み付けとデータ重要度を動的に調整し,自己完結型カリキュラムを構築するフレームワークであるSPARDを提案する。
複数のベンチマークにわたる大規模な実験により、SPARDはすべてのドメインにわたるモデル機能を大幅に強化することが示された。
論文 参考訳（メタデータ） (2026-04-09T05:37:22Z) - ICAD-LLM: One-for-All Anomaly Detection via In-Context Learning with Large Language Models [14.804039283733475]
異常検出は多くの領域において重要な課題である。
In-Context Anomaly Detection (ICAD) という新しいパラダイムを導入する。
本パラダイムでは,大規模言語モデルのコンテキスト内学習能力を利用した統一ADフレームワークであるICAD-LLMを提案する。
論文 参考訳（メタデータ） (2025-12-01T13:41:30Z) - FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。
本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。
FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
論文 参考訳（メタデータ） (2025-11-26T08:36:33Z) - Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。
条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。
各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。
実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
論文 参考訳（メタデータ） (2025-10-09T05:28:28Z) - Every Subtlety Counts: Fine-grained Person Independence Micro-Action Recognition via Distributionally Robust Optimization [36.230001277076376]
マイクロアクション認識は、心理的アセスメントと人間とコンピュータの相互作用に不可欠である。
既存の手法は現実のシナリオで失敗することが多い。
本稿では、分散ロバスト最適化の原則を取り入れた個人独立ユニバーサルマイクロアクション認識フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-25T14:54:24Z) - Principled Multimodal Representation Learning [99.53621521696051]
マルチモーダル表現学習は、多様なデータモダリティを統合することにより、統一された表現空間を作ろうとする。
最近の進歩は、複数のモードの同時アライメントを調査しているが、いくつかの課題が残っている。
複数モーダルの同時アライメントを実現する新しいフレームワークであるPMRL(Principled Multimodal Representation Learning)を提案する。
論文 参考訳（メタデータ） (2025-07-23T09:12:25Z) - LLM4Rerank: LLM-based Auto-Reranking Framework for Recommendations [51.76373105981212]
リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。
そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。
カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
論文 参考訳（メタデータ） (2024-06-18T09:29:18Z)
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。