論文の概要: What Moved the Alarm Score? Causal Attribution with Exact Computation and Scarce-Incident Estimation

• arxiv url: http://arxiv.org/abs/2610.27534v1
• Date: Tue, 20 Oct 2026 02:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.593365
• Title: What Moved the Alarm Score? Causal Attribution with Exact Computation and Scarce-Incident Estimation
• Title（参考訳）: アラームスコアは何か? 正確な計算とスカース事故推定による因果属性
• Abstract要約: 産業システムや科学機器のアラームは、少ないインシデントデータにもかかわらず、即時診断を要求することが多い。 介入を導くためには、データ生成プロセスの変化が、アラームスコアを変更するために因果構造を通してどのように伝播するかを、説明しなければならない。 我々は,アラームスコア変化をハイブリッド構造因果モデル(SCM)状態上のShapleyゲームとして定式化し,この問題に対処する。
• 参考スコア（独自算出の注目度）: 4.8342038441006805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Alarms in industrial systems and scientific instruments often demand immediate diagnosis despite scarce incident data. To guide intervention, an explanation must trace how changes in the data-generating process propagate through the causal structure to alter the alarm score, rather than merely flagging shifts that may be downstream effects. Yet exact attribution across interacting causal components appears combinatorial, while existing methods often either assume an unchanged causal model or require enough incident data to estimate the changed system reliably. We address this setting by formulating the alarm-score change as a Shapley game over hybrid structural causal model (SCM) states. Treating structural functions and exogenous laws as distinct players yields a finer-grained, function/law-resolved report of how each type of change propagates to the alarm score. The same framework defines realized-event and population reports, with an event--population coherence identity linking their attributions. For ordered linear SCMs and quadratic scores, a causal first- and second-moment recursion combined with quadrature computes the full Shapley vector exactly in polynomial time, eliminating combinatorial computation. To estimate this target from scarce incident data, we adapt a well-observed reference SCM to the incident regime using cross-fitted estimates of mechanism changes and residual moments, and derive attribution-error bounds and top-k recovery guarantees. Experiments on controlled and measured shifts illustrate the diagnoses and assess scaling to hundreds of variables and estimation from small incident samples.
• Abstract（参考訳）: 産業システムや科学機器のアラームは、少ないインシデントデータにもかかわらず、即時診断を要求することが多い。 介入を導くためには、データ生成プロセスの変化が因果構造を通してどのように伝播してアラームスコアを変化させるかを、単に下流効果である可能性のあるシフトをフラグするだけでなく、追跡しなければならない。 しかし、相互作用する因果成分間の正確な帰属は相補的に見えるが、既存の手法では、変化のない因果モデルを仮定するか、変更したシステムを確実に見積もるために十分なインシデントデータを必要とすることが多い。 我々は,アラームスコア変化をハイブリッド構造因果モデル(SCM)状態上のShapleyゲームとして定式化し,この問題に対処する。 構造関数と外因性法則を異なるプレイヤーとして扱うと、それぞれのタイプの変化がアラームスコアにどのように伝播するかをよりきめ細かな機能/法則で解決する。 同じ枠組みでは、事実と人口の報告を定義し、その属性を関連づけるイベント-人口コヒーレンス・アイデンティティを定義している。 順序線形SCMと二次スコアに対して、因果第1および第2モーメント再帰と二次再帰は多項式時間で完全シェープリーベクトルを正確に計算し、組合せ計算をなくす。 少ないインシデントデータからこの目標を推定するために、メカニズムの変化と残差のクロスフィット推定を用いて、よく観測された参照SCMをインシデント体制に適用し、アトリビューションエラー境界とトップkリカバリ保証を導出する。 制御および測定されたシフトの実験は、数百の変数へのスケーリングと、小さなインシデントサンプルからの推定の診断と評価を示している。

関連論文リスト

• Probabilistic Counterfactual Inference for Discrete Outcomes in Gaussian-Process Causal Models [5.02231401459109]
  不均一な変数型による反ファクト推論のための統一確率的フレームワークを提案する。 二変数に対する一様しきい値を用いた条件付きノイズ除去法を導出する。 結合ミス特定に対する評価精度,一貫性,ロバスト性を評価した。
  論文  参考訳（メタデータ） (2026-10-06T17:06:22Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Proxy-Guided Measurement Calibration [7.842603902533572]
  結果の誤校正の問題について検討し,提案手法をプロキシ変数で導いた,系統的な誤りを推定・修正するためのフレームワークを提案する。 因果グラフを用いてデータ生成過程をモデル化し,真の結果を誘導する潜時コンテンツ変数と系統的エラーを誘発する潜時バイアス変数とを分離する。
  論文  参考訳（メタデータ） (2026-03-10T07:15:02Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• 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)
• iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models [48.33685559041322]
  本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。 提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
  論文  参考訳（メタデータ） (2023-06-30T01:48:11Z)
• The Counterfactual-Shapley Value: Attributing Change in System Metrics [10.804568364995982]
  帰属問題の重要な要素は、単一入力の特定の変更によるシステム計量の(仮説的な)変化を推定することである。 本稿では,時系列予測モデルを用いて反事実を推定し,属性スコア CF-Shapley を構築する手法を提案する。 実世界のアプリケーションとして、広告マッチング密度の指標に観測された変化をもたらすことを目的として、クエリ-アドマッチングシステムを分析する。
  論文  参考訳（メタデータ） (2022-08-17T16:48:20Z)
• 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)

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。