論文の概要: Beyond Conditional Independence: Root Cause Analysis with Deep Causal Models

• arxiv url: http://arxiv.org/abs/2609.36771v1
• Date: Tue, 29 Sep 2026 05:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.215605
• Title: Beyond Conditional Independence: Root Cause Analysis with Deep Causal Models
• Title（参考訳）: 条件付き独立性を超えて:深い因果モデルを用いた根本原因分析
• Abstract要約: ルート原因分析は多くの実世界のシナリオにおいて重要な問題である。 本稿では,Deep causal model (DCM) に基づく根本原因分析手法を提案する。 我々は、シミュレーションデータセット、物理ベースの因果室、および2つのマイクロサービスアプリケーションに基づく最先端のベースラインに対するRCA-DCMの評価を行った。
• 参考スコア（独自算出の注目度）: 28.225318457772776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Root cause analysis (RCA) is a critical problem in many real-world scenarios. RCA enables the identification of faulty or failing mechanisms in a system by comparing anomalous observations with corresponding reference (i.e., regular) observations. However, existing approaches rely either on heuristic methods or on conditional independence tests with a strong unconfoundedness assumption, and thus fail to exploit other complicated distributional constraints in the presence of latent variables. To relax these assumptions, we model the underlying system as a causal model and the anomalous system as a change in the structural functions of the same causal model. Specifically, to handle unobserved confounders, we establish an implicit connection between distributional constraint testing and root cause analysis. To adapt our approach to data generated from arbitrary causal models, we employ the deep causal model (DCM) framework, in which we design the causal model using neural networks. Finally, we illustrate how our method, RCA-DCM, can utilize different levels of partial graphical knowledge to perform RCA. We evaluate RCA-DCM against state-of-the-art baselines on simulated datasets, a physics-based causal chamber and two micro-service applications. RCA-DCM improves top-1 accuracy over the strongest baseline on both Sock Shop (0.880 vs. 0.752) and Online Boutique (0.776 vs. 0.712), and when the true root cause in the causal chamber is unobserved and acts as a latent confounder, it recovers the exact root-cause set more often than any competing method (perfect recovery rate (PRR) 0.846 vs. 0.731).
• Abstract（参考訳）: ルート原因分析(RCA)は多くの現実のシナリオにおいて重要な問題である。 RCAは、異常な観測と対応する基準(通常の)観測を比較することで、システム内の欠陥または故障メカニズムの同定を可能にする。 しかし、既存のアプローチはヒューリスティックな方法か、強い不確定性の仮定を持つ条件付き独立性テストに依存しており、従って潜伏変数の存在下では、他の複雑な分布制約を活用できない。 これらの仮定を緩和するために、基礎となるシステムを因果モデルとして、そして異常系を同じ因果モデルの構造関数の変化としてモデル化する。 具体的には、観測されていない共同創設者を扱うために、分布制約テストと根本原因分析との間に暗黙のつながりを確立する。 任意の因果モデルから生成されたデータにアプローチを適用するために、ニューラルネットワークを用いて因果モデルを設計するディープ因果モデル(DCM)フレームワークを用いる。 最後に、我々の手法であるRCA-DCMが、様々なグラフィカルな知識のレベルを利用してRCAを実行する方法について述べる。 我々は、シミュレーションデータセット、物理ベースの因果室、および2つのマイクロサービスアプリケーションに基づく最先端のベースラインに対するRCA-DCMの評価を行った。 RCA-DCMは、ソックショップ(0.880 vs. 0.752)とオンラインブティック(0.776 vs. 0.712)の双方で最強のベースライン(0.880 vs. 0.752)でトップ1の精度を向上し、因果室の真の根本原因が観測されず、潜伏した共同設立者として振舞うと、競合するどの手法よりも頻繁に正確な根本原因セット(PRR 0.846 vs. 0.731)を回復する。

関連論文リスト

• Root Cause Analysis with Latent Confounders using Partial Ancestral Graphs [0.8602553195689513]
  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。
  論文  参考訳（メタデータ） (2026-06-18T20:08:34Z)
• CausalDisenSeg: A Causality-Guided Disentanglement Framework with Counterfactual Reasoning for Robust Brain Tumor Segmentation Under Missing Modalities [14.27898790157402]
  臨床的には, マルチモーダル脳腫瘍セグメント化のための深層学習モデルの堅牢性は, 不完全なMRIデータによって著しく損なわれている。 この脆弱性は主として、モデルが真の解剖学的構造を学ぶのではなく、急激な相関をショートカットとして活用するモダリティバイアスに由来する。 本稿では,因果的誘導的絡み合いと反ファクト的推論によりロバストなセグメンテーションを実現する構造因果モデル(SCM)を新たに構築したCausalDisenSegを提案する。
  論文  参考訳（メタデータ） (2026-04-15T02:20:09Z)
• Evaluating and Enhancing the Vulnerability Reasoning Capabilities of Large Language Models [15.849480549367684]
  本稿では,DAG生成タスクとして脆弱性推論をモデル化する新しいフレームワークであるDAGVulを提案する。 さらにReinforcement Learning with Verifiable Rewards (RLVR)を導入することで、モデル推論トレースをプログラム固有の論理と整合させる。 我々のフレームワークは、すべてのベースラインに対して平均18.9%の推論F1スコアを改善します。
  論文  参考訳（メタデータ） (2026-02-06T13:19:45Z)
• Robust Root Cause Diagnosis using In-Distribution Interventions [31.19149413954674]
  複雑な相互接続システムにおける異常の根本原因を診断することは、今日のクラウドサービスや産業運用において、差し迫った問題である。 In-Distribution Interventions (IDI) は2つの基準を満たすノードとして根本原因を予測する新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2025-05-02T00:19:43Z)
• ProRCA: A Causal Python Package for Actionable Root Cause Analysis in Real-world Business Scenarios [2.034531141644187]
  本稿では,DoWhy因果推論ライブラリ上に構築した経路追跡パッケージについて述べる。 提案手法は,条件付き異常スコア,ノイズに基づく属性,深さ優先経路探索を統合し,マルチホップ因果連鎖を明らかにする。
  論文  参考訳（メタデータ） (2025-03-03T12:33:17Z)
• 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)
• 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)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。