論文の概要: Fault-Free Profiles and Decision-Level Training for Root Cause Analysis via Small Language Models

• arxiv url: http://arxiv.org/abs/2611.02416v2
• Date: Tue, 03 Nov 2026 09:54:03 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:48:21.666254
• Title: Fault-Free Profiles and Decision-Level Training for Root Cause Analysis via Small Language Models
• Title（参考訳）: 小言語モデルによる根本原因解析のための断層自由プロファイルと決定レベル学習
• Abstract要約: マイクロサービスシステムにおける根本原因分析(RCA)は、障害源を定期的な変動や伝播症状と区別する必要がある。 小型言語モデル(SLM)は、コストとプライバシの制約の下で実用的なソリューションを提供する。 我々の経験的研究は、モデル自体の伝搬分析が示唆しているにもかかわらず、最終的な決定が大きな異常スコアを好んでいることをしばしば示している。
• 参考スコア（独自算出の注目度）: 12.80969029979969
• License:
• Abstract: Root cause analysis (RCA) in microservice systems requires distinguishing failure sources from routine fluctuations and propagated symptoms. Small language models (SLMs) offer a practical solution under cost and privacy constraints, and recent approaches improve their capabilities through structured diagnostic procedures. However, performing diagnostic analysis does not ensure correct root-cause identification. Our empirical study shows that final decisions often favor large anomaly scores despite the model's own propagation analysis suggesting otherwise. Moreover, the input does not reveal whether these apparently anomalous signals are common during normal operation. These findings motivate our system, which improves how SLMs assess evidence and select root causes through Historical Frequency Profiling and Biased-Decision Correction. Historical Frequency Profiling quantifies how often metric and log signals are flagged as anomalous in the fault-free period, providing context for distinguishing routine deviations from potential failure evidence. Biased-Decision Correction identifies points where the model reaches different conclusions from the same initial analysis and uses preference optimization to favor more accurate diagnoses. Against baselines including the 14B OpsAgent and RCA-Agent with commercial models, our system with a 4B model achieves the highest or tied-highest accuracy on all four datasets, reaching 48.7% on Bank compared with 18.5% for OpsAgent.
• Abstract（参考訳）: マイクロサービスシステムにおける根本原因分析(RCA)は、障害源を定期的な変動や伝播症状と区別する必要がある。 小型言語モデル(SLM)はコストとプライバシの制約の下で実用的なソリューションを提供する。 しかし、診断分析を行うことは、正確な根本原因の同定を保証しない。 我々の経験的研究は、モデル自体の伝搬分析が示唆しているにもかかわらず、最終的な決定が大きな異常スコアを好んでいることをしばしば示している。 さらに,これらの異常信号が正常動作中に一般的であるか否かは明らかにされていない。 これらの知見は, 歴史的周波数プロファイルとバイアス-決定補正により, SLM による証拠評価と根本原因の選択を改良するシステムである。 履歴周波数プロファイリング(英語版)は、障害のない期間にメートル法とログ信号が異常であるとフラグ付けされる頻度を定量化し、潜在的な故障証拠と定期的なずれを区別するためのコンテキストを提供する。 Biased-Decision Correctionは、モデルが同じ初期分析から異なる結論に達する点を特定し、より正確な診断のために好みの最適化を使用する。 商用モデルを用いた14B OpsAgentやRCA-Agentなどのベースラインに対して、4Bモデルでは、OpsAgentの18.5%と比較して、バンクで48.7%に達した。

関連論文リスト

• Auditing evaluation artifacts and data leakage in large language model systems for rare disease diagnosis [19.160903114450104]
  Augmented Large Language Model (LLM) システムは、まれな疾患の診断において高いベンチマーク精度を報告しているが、現実の臨床的有用性は証明されていない。 本稿では,AIパラダイムにまたがる評価成果物を定量化するための総合的な実証監査を行う。 我々は,拡張LDMシステムの評価プロトコルが真の医学的推論ではなく,データ漏洩を不注意に反映していると結論付けた。
  論文  参考訳（メタデータ） (2026-10-24T10:35:48Z)
• Where Does Retrieval-Based Open-Ended Evaluation Fail? Automatic Taxonomy Induction from Long-Form Medical Answer Factuality Verification [50.168648286292004]
  既存のRAG診断では、金の回答や注釈付き金の証拠が必要であり、どちらもこの体制には存在しない。 オープンエンドのMedExpertデータセットと3つのクローズドエンドデータセットに関するケーススタディに基づいた総合的な2つのデータセットを紹介した。 我々は, LLM-as-Judge を用いた自動パターン誘導パイプラインを適用し, 証拠品質をラベル付けし, 大規模な検証器推論誤差を分類する。
  論文  参考訳（メタデータ） (2026-09-24T19:04:23Z)
• Beyond Fault Localization: A Trajectory-Level Study of LLM Agents for Microservice Root Cause Analysis [13.865176720288938]
  我々は,根本原因分析(RCA)の性能評価にトラジェクトリレベルのフレームワークを用いる。 回答の正しさと診断の質の間には不一致がある。 私たちはこの分類を,2段階のディフェンス・イン・ディープスアーキテクチャであるDiagGuardとして運用しています。
  論文  参考訳（メタデータ） (2026-08-21T17:13:45Z)
• Evaluating the Diagnostic Robustness of Vision-Language Models Under Visual and Textual Perturbations [3.765860543344957]
  証拠保存摂動下での4つのVLMファミリーの診断的ロバスト性について検討した。 以上の結果から,48.9%のケースで予測反転を示すモデルを用いて,プレゼンテーション順序安定性の重大な脆弱性を明らかにした。
  論文  参考訳（メタデータ） (2026-08-05T14:09:55Z)
• Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
  既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。 GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。 我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
  論文  参考訳（メタデータ） (2026-03-03T09:36:43Z)
• GALA: Can Graph-Augmented Large Language Model Agentic Workflows Elevate Root Cause Analysis? [9.394057684388027]
  本稿では,マイクロサービスシステムにおける根本原因分析の新しいフレームワークであるGALAを紹介する。 GALAはオープンソースのベンチマークで評価され、最先端のメソッドよりも大幅に改善されている。 GALAは自動故障診断と実用的なインシデント解決のギャップを埋めることを示す。
  論文  参考訳（メタデータ） (2025-08-17T19:12:05Z)
• BARO: Robust Root Cause Analysis for Microservices via Multivariate Bayesian Online Change Point Detection [11.627235799040388]
  本稿では,異常検出と根本原因分析を統合したエンドツーエンドアプローチを提案する。 BarOは、異常検出と根本原因分析の両方において、最先端のアプローチを一貫して上回る。
  論文  参考訳（メタデータ） (2024-05-15T13:32:59Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。