NetCause: 대규모 네트워크에서의 근본 원인 분석을 위한 반사실 학습
NetCause: Counterfactual Learning for Root Cause Analysis in Large-Scale Networks
한국어 초록
학습된 모델이 대규모 네트워크를 통해 결함이 전파되는 방식을 포착하고, 이 지식을 사용하여 고객에 미치는 영향을 그 근본 원인에 인과적으로 연결할 수 있을까? 기존의 근본 원인 분석 기법은 종종 정적 규칙, 상관관계 휴리스틱(heuristics), 또는 토폴로지 국지적 추론에 의존하는데, 이는 결함이 복잡한 물리적 및 논리적 의존성을 통해 전파되는 동적 환경에서 일반화하는 데 어려움을 겪습니다. 우리는 네트워크 사고를 그래프-시간적 과정으로 모델링하고 반사실 시뮬레이션을 사용하여 후보 근본 원인의 순위를 매기는 자기지도 학습 기반 프레임워크인 NetCause를 제안합니다. 이 접근 방식은 근본 원인 가설에 대한 해석 가능한 순위를 생성하며, 운영자 정의 완화 및 수정 조치와 자연스럽게 통합됩니다. 우리는 선도적인 클라우드 제공업체의 프로덕션 네트워크에서 6개월 동안 수집된 1,500건 이상의 사고에 대해 모델을 학습시키고, 31건의 전문가 라벨링된 사고에 대해 평가했습니다. NetCause는 운영 의사결정과 가장 관련성이 높은 영역에서 근본 원인 순위 품질을 지속적으로 향상시켜, 규칙 기반 휴리스틱 기준선(baseline) 대비 16.1%의 정확도 향상을 달성했습니다. 학습은 계산 집약적이지만, 추론은 가벼워 사고당 수 초의 GPU 런타임만 필요하며 이는 일반적인 원격 측정 수집 지연 시간보다 훨씬 낮습니다.
원문 초록
Can a learned model capture how faults propagate through a large-scale network and use this knowledge to causally attribute customer impact to its underlying root cause? Existing root cause analysis techniques often rely on static rules, correlation heuristics, or topology-local reasoning, which struggle to generalize in dynamic environments where faults propagate across complex physical and logical dependencies. We present NetCause, a self-supervised learning-based framework that models network incidents as graph-temporal processes and uses counterfactual simulation to rank candidate root causes. This approach produces an interpretable ranking of root cause hypotheses and integrates naturally with operator-defined mitigation and remediation actions. We train the model on over 1,500 incidents collected over six months from a leading cloud provider's production network and evaluate it on 31 expert-labeled incidents. NetCause consistently improves root cause ranking quality in the regime most relevant to operational decision-making, achieving a 16.1% accuracy improvement over a rule-based heuristic baseline. While training is computationally intensive, inference is lightweight, requiring only seconds of GPU runtime per incident (well below typical telemetry collection latencies).
요약
동적 환경에서의 결함 전파 문제를 해결하기 위해 네트워크 사고를 그래프-시간적 과정으로 모델링하고 반사실 시뮬레이션을 통해 근본 원인을 순위 매기는 자기지도 학습 기반 프레임워크 NetCause를 제안한다. 실제 클라우드 데이터에서 규칙 기반 베이스라인 대비 16.1%의 정확도 향상을 달성했으며 추론 시간은 수 초 수준으로 매우 가볍다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.13543v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
변동성 학습: 인과 표 형식 사전학습의 통계적 기초
Learning to Fluctuate: Statistical Foundations for Causal Tabular Pretraining
인과 표 형식 파운데이션 모델은 합성 메커니즘 전반에 걸쳐 효과 추정을 상각(amortize)하지만, 잠재 효과(latent-effect) 지도학습은 고정된 배포 모집단에서 필요한 반복 표본 반응을 직접 인코딩하는 대신 사후 분포 수축(posterior shrinkage)을 보상한다. 본 논문에서는 변동 지도 사전학습(fluctuation-supervised pretraining, FSP)을 제안한다. 각 합성 테이블은 평균 처치 효과(ATE)와 그 효율적 영향 함수(efficient influence-function) 변동의 합으로 레이블링되며, 배포 시에는 여전히 단일 고정 순전파만 수행한다. 경로 $T_{\lambda,P}=\theta(P)+\lambda P_n\psi_P$를 따라 끝점 전이(endpoint transition)를 증명한다. 즉, 고정된 모든 $\lambda<1$에서는 $(1-\lambda)^2/n$ 차수의 레이블 모호성이 남는 반면, 완전한 변동을 사용하면 가우시안 레이블을 관측할 수 있게 되어 최적의 유한 층(finite-stratum) 인과 레이블 예측 위험이 $n^{-2}$ 차수로 감소한다. 하나의 유한 사전학습 경계(bound)는 레이블 오차, 네트워크 오차, 에피소드 샘플링 오차, 최적화 오차를 결합하며, 그 결과로 얻어지는 샘플링 결함(sampling defect)은 고정 메커니즘 바이어스, 평균 제곱 오차, 분산, 가우시안 근사를 제어하고, 분산 헤드(variance-head)의 정확도가 뒷받침될 경우 스튜던트화(studentized) 커버리지까지 제어한다. 상호 보완적인 하한(lower bound)은 배포 관측으로도 제거할 수 없는 국소적 $n^{-1}$ ATE 위험과, 일반적인 유한 사전(finite-dictionary) 에피소드 학습 문제의 $\log N/M$ 초과 위험을 분리한다. 실험은 학습된 샘플링 반응을 추적한다. 원시 행/열(raw-row/column) 백본을 사용할 때, FSP는 대규모 효과 이동(large-effect-shift) 상황에서 RMSE를 잠재 지도학습 대비 69.8%, 동일 테이블에서 공개된 CausalPFN 체크포인트 대비 39.5% 감소시킨다. 연속 공변량 실험, 효과가 알려진 반합성(semisynthesis) 실험, 그리고 두 건의 무작위 연구 평가는 샘플링 법칙 충실도(sampling-law fidelity)와 점 위험 수축(point-risk shrinkage)을 분리하고, 두 학습된 헤드 모두에서 약한 중첩(weak-overlap) 오차가 나타남을 보여준다.
BiView-Touch: 교차 손 완성을 통한 양손 촉각 표현 학습
BiView-Touch: Learning Bimanual Tactile Representations by Cross-Hand Completion
양손 상호작용은 동일한 물리적 과정에 대해 상보적인 촉각 뷰를 만들지만, 기존 촉각 표현 학습은 두 손을 대체로 독립적으로 모델링하거나 하류 예측을 위해 결합하는 수준에 그쳐 교차 손 관계는 거의 다루지 않았다. 이 간과된 구조를 활용하기 위해, 우리는 마스킹된 목표 손 잠재 변수를 남은 가시 목표 손 영역과 동기화된 전체 대측(contralateral) 손으로부터 완성하는 촉각 전용 프레임워크 BiView-Touch를 제안한다. 기하학 조건부(geometry-conditioned) 방향 디코더를 갖춘 student 인코더가 전체 뷰 EMA 잠재 타깃을 예측하며, 시간적·레이아웃 반사실(counterfactual)은 동기화되고 해부학적으로 조직된 소스 정보에 대한 민감도를 높인다. 통제된 ablation과 소스-컨텍스트 개입은 BiView-Touch가 양측 입력만으로 이득을 보는 것이 아니라, 시간 정렬되고 해부학적으로 조직된 대측 촉각 컨텍스트에 대한 구조화된 교차 손 의존성을 학습함을 보여준다. 공개 HumanTouch 데이터셋에서 고정(frozen) 표현은 저레이블 설정 전반에서 대표적인 자기지도 학습 baseline을 꾸준히 능가한다. 하류 레이블 5%만 사용할 때 BiView-Touch는 양손 손목 운동 인식에서 균형 정확도가 상대 7.1% 향상되고, 힘 기반 상호작용 위상 인식에서는 14.1% 향상된다. 또한 20개 과제 양손 촉각 데이터셋 BVT-20을 소개하고, 녹화 세션 및 사전학습 코퍼스 간 전이와 홀드아웃 양손 과제로의 전이를 입증한다. 코드 및 데이터셋 세부 정보는 익명 프로젝트 페이지에서 확인할 수 있다: https://anonymous.4open.science/w/biview-touch-review-site-050C/.
제어 월드 모델의 식별 가능성에 관하여
On the Identifiability of Controlled World Models
고차원 관측으로부터 환경 역학을 추론하고 후보 행동 하에서 결과를 예측하는 월드 모델 학습은 계획과 제어의 핵심이다. Joint-Embedding Predictive Architectures(JEPAs)는 표현 공간에서 이러한 모델을 학습하기 위한 설득력 있는 프레임워크를 제공한다. 최근의 행동 조건부 확장은 시각 제어와 잠재 공간 계획에서 유망한 성능을 보이지만, 근본적인 질문은 여전히 남아 있다: 제어된 잠재 예측은 언제 기저 상태와 제어된 역학을 모두 식별하는가? 이는 비선형 관측과 조건부 행동 변화가 제한된 행동 정책 하에서, 상태 의존적 진화와 행동 효과가 통계적으로 혼동될 수 있어 어렵다. 우리는 상태 의존적 가우시안 행동 정책 하에서 가우시안 잠재 상태를 갖는 제어 월드 모델에 대한 공동 식별 가능성 이론을 수립한다. 우리는 두 가지 정책 의존적 조건을 밝힌다: 예측 가능한 신호의 스펙트럴 분리는 표현 식별 가능성을, 비퇴화(degenerate하지 않은) 조건부 행동 변화는 전이 식별 가능성을 지배한다. 두 조건이 모두 성립할 때, JEPA 목적 함수의 모든 전역 최소화자는 직교 변환까지 잠재 상태와 제어된 전이를 식별함을 증명한다. 또한 근사 최적화 하에서 표현 및 전이 식별 가능성에 대한 정량적 경계를 유도한다. 마지막으로, 약하게 여기된(excited) 행동 방향을 따른 예측기 교란을 구성하여, 반사실적-온-정책 오차 비가 전이 식별 가능성 마진의 역수가 됨을 보이고, 이는 제한된 행동 커버리지의 비용을 드러낸다. 비선형 관측 맵과 행동 정책에 걸친 실험은 이론을 뒷받침하고, 전이 식별 가능성, 반사실적 예측, 목표 조건부 잠재 계획에 대한 함의를 보여준다.
호라이즌 불변 행동 복제를 위한 자기 지도 키프레임 발견
Self-Supervised Keyframe Discovery for Horizon-Invariant Behavior Cloning
MEA: 충실한 모델 설명을 위한 보상 기반 다중 에이전트 시스템
MEA: A Reward-Driven Multi-Agent System for Faithful Model Explanations
최근 중요도가 높은 고위험 영역에서 수많은 머신러닝(ML) 모델이 도입되고 있지만, 그 예측을 바탕으로 행동해야 하는 실무자들에게 이러한 모델은 여전히 대부분 불투명한 상태로 남아 있습니다. 사후(post-hoc) 설명 방법들이 모델의 동작을 들여다볼 수 있는 시각을 제공하긴 하지만, 이를 효과적으로 다루기 위해서는 대부분의 도메인 전문가들이 갖추지 못한 전문 지식이 필요합니다. 즉, 고차원 출력을 탐색하고, 최적의 설명을 선택하며, 이질적인 도구들 전반에 걸친 증거를 종합해야 합니다. 이를 위해 본 연구에서는 설명에 필요한 전문 지식의 장벽을 완전히 제거하는 다중 에이전트 프레임워크인 MEA를 제시합니다. 제안자(Proposer) 에이전트는 질문과 양식(modality)에 따라 설명 도구를 선택하고 구성하며, 실행자(Actor) 에이전트는 충실도(faithfulness)를 기준으로 엔드투엔드 최적화되어 테이블, 텍스트, 비전 양식 전반에 걸쳐 모델 동작에 기반(grounding)한 자연어 설명으로 출력을 변환합니다. 나아가, 특징 기여도(feature attribution), 반사실적 추론(counterfactual reasoning), 거짓 특징(spurious feature) 탐지를 아우르는 다양한 질문 유형을 도입하고, 각각을 섭동 기반 충실도 지표와 짝지었습니다. 연구 결과, 프론티어 대규모 언어 모델(LLM)들은 체계적으로 충실하지 못한 설명을 생성하는 것으로 나타났습니다. 양식 적응형 페널티로 강화된 충실도 보상에 대해 최적화함으로써, MEA는 6개 데이터셋 전반에서 기존 사후 설명 기법, 에이전트 기반 베이스라인, 상용 폐쇄형 베이스라인을 일관되게 능가했으며, 보상 기반 최적화를 통해 학습되지 않은 백본 대비 충실도가 테이블에서 +28%, 텍스트에서 +21%, 비전에서 +34% 향상되었습니다. 더 넓게는, 본 연구 결과는 AI 에이전트 자체가 머신러닝 설명가능성(explainability)을 위한 확장 가능하고 적응력 있는 인터페이스 역할을 할 수 있음을 시사하며, 오랫동안 이 분야를 규정해 온 고정된 단일 목적 도구를 넘어 일반화되는 자연어 설명가능성으로 향하는 길을 열어줍니다.
공정한 자기지도 학습을 위한 편향 없는 Open World 정규화
Unbiased Open World Regularization for Fair Self-Supervised Learning
토론
이 논문과 연결된 포럼 글이 아직 없습니다.