技術的概要：PRIM（メタ学習を用いた事前適合型根本原因同定）

問題定義

複雑な多変数システムにおける根本原因分析（RCA）は、変数間の誤差伝播、構造的因果知識の必要性、テスト時における推論の計算コストという 3 つの主要な課題によって阻害されている。既知の因果構造が存在しない場合、異常な変数はすべて潜在的な根本原因となり得る。既存の解決策は二項対立に直面している：

1. グラフベースの手法（例：Traversal、CIRCA）は、システムの因果グラフに関する正確な事前知識を必要とするが、これは実際にはめったに利用できない。
2. 因果発見手法（例：RCD、$\epsilon$-diagnosis）は、テスト時にグラフを推論しようとする。しかし、これらの手法は変数の数に対して超指数関数的にスケールする計算コストに直面し、有限のデータが複数のグラフを同程度に適合させる可能性のある識別性の問題に悩まされ、根本原因の誤帰属のリスクを伴う。

さらに、従来の統計的検定アプローチは、構造的およびメカニズムの不確実性を点推定に縮小しがちであり、因果発見に内在する曖昧さを考慮できていない。

手法

著者は、因果モデルの事前分布におけるベイズ推論タスクとして RCA を再定義する因果メタ学習アプローチであるPRIM（Prior-fitted Root cause Identification with Meta-learning）を導入する。2 段階のパイプライン（因果発見に続いて RCA）を実行するのではなく、PRIM は観測データ（$D_{obs}$）、介入/異常データ（$D_{int}$）、および症状マスク $m$ から直接根本原因集合 $T$ を推論する。

中核的フレームワーク

PRIM は、**モデル平均化因果推定（MACE）トランスフォーマーを利用したトランスフォーマーニューラルプロセス（TNP）アーキテクチャに基づいている。この手法はベイズ因果モデル（BCM）**の定式化の下で動作する：

• ベイズモデル平均化：単一の推定された有向非巡回グラフ（DAG）にコミットするのではなく、PRIM はグラフおよび機能的メカニズムの不確実性に対して周辺化する。グラフとメカニズムの分布を平均化することにより、事後分布 $p(T | D_{obs}, D_{int}, m)$ を近似する。
• ソフト介入：このフレームワークは、根本原因を親ノードを除去するハード介入ではなく、機能的メカニズム $f_i$ またはノイズ分布を変更するソフト介入としてモデル化する。これにより、データ生成プロセスを変更しつつ、基礎となるグラフ構造を保持する。
• メタ学習パラダイム：「事前適合ネットワーク（PFN）」パラダイムに従い、PRIM は構造因果モデル（SCM）の事前分布からサンプリングされた合成データ上で訓練される。これにより、モデルは推論時に実世界データでの明示的な統計的検定やモデル適合を行うことなく、因果ダイナミクスに関する一般的な表現を学習できる。

アーキテクチャ

PRIM アーキテクチャは、3 つの主要なコンポーネントで構成される：

1. データエンコーダ：観測データおよび介入データを高次元テンソルにエンコードし、学習されたノード位置埋め込みと症状マスク $m$ のためのターゲット埋め込みを組み込む。
2. MACE トランスフォーマーブロック：スタックされた層は、3 つのアテンションメカニズムを通じて埋め込みを洗練させる：
   • 観測自己アテンション：正常期間内のサンプルが互いにアテンションする。
   • 介入から観測へのクロスアテンション：異常サンプルが正常サンプルにアテンションしてシフトを検出する。
   • ノード自己アテンション：すべてのサンプルがノード位置全体にまたがって共同でアテンションし、構造的依存関係を捉える。
3. デコーダ：平均プーリングされた介入および観測埋め込みの差（$\Delta = \bar{H}_{int} - \bar{H}_{obs}$）を計算する。マルチレイヤーパーセプトロン（MLP）がこの差を各ノードのロジットにマッピングし、根本原因である確率を表す。

訓練と微調整

• 訓練：モデルは、多様な事前分布（エルデシュ・レーニィ、バラバシ・アルバート、二部グラフ）および様々なメカニズムファミリー（線形、tanh、ニューラルネットワーク、ガウス過程）から生成された合成 SCM 上で訓練される。
• 微調整：PRIM はゼロショット推論をサポートするが、特定のドメイン向けに微調整することも可能である。著者は、ターゲット分布が訓練事前分布に近い場合に「デコーダのみ」の微調整（バックボーンを固定）を提案し、分布外（OOD）の一般化を強化するためにフルモデル微調整を行う。このプロセスは軽量であり、単一の GPU で約 3 分を要する。

主要な貢献

1. PRIM モデル：グラフを必要としない非パラメトリック手法であり、正常データと異常データ、および症状マスクのみを使用して、ゼロショット推論において候補となる根本原因ノードにスコアを付与する。
2. 暗黙的な分布シフト検出：PRIM は構造的な不確実性に対して周辺化することで、データ生成メカニズムの変化を暗黙的に特定し、明示的な統計的分布シフト検出の必要性を排除する。
3. 効率性：この手法は、変数の数に対して超指数関数的にスケールする既存の手法と比較して著しい改善を達成し、最大 100 変数のシステムにおいて A100 GPU 上で17 msで推論を実行する。
4. 頑健性：このアプローチは、合成ベンチマークおよび現実的なデータセット（PetShop および CausRCA）全体で堅牢な性能を示し、グラフを考慮する手法と競合しながら、グラフを考慮しないベースラインを上回る。

実験結果

著者は、PRIM を 4 つの合成設定と 2 つの現実的なベンチマークで評価した：

• 合成ベンチマーク：

  • 交絡因子/媒介変数シナリオ：PRIM はグラフが与えられない手法の中で最良の性能を達成し、間接的な経路や共通の原因が存在する状況で根本原因を正しく帰属させた。
  • スケーラビリティ：PRIM はノード数が 20 から 100 に増加しても高い Recall@1 パフォーマンスを維持し、RCD や$\epsilon$-diagnosis などのベースラインよりも緩やかに劣化した。また、これらの手法が真のグラフではなく因果発見（PC アルゴリズム）に依存していた場合、グラフを考慮する手法（Traversal、CIRCA）さえも上回った。
  • 多重根本原因：モデルは単一故障から多重故障の同定へ成功裡に転移し、微調整によって性能が大幅に向上した。

• 現実世界のベンチマーク：

  • PetShop（クラウドマイクロサービス）：44 ノードのシステムにおいて、微調整済み PRIM（PRIM-FT）は、グラフを考慮しない手法の中で平均リコールが最も高く、低可用性シナリオにおいてグラフを考慮する手法（Traversal、CIRCA）と同等の性能を達成した。
  • CausRCA（製造業）：複数の同時根本原因を伴う 100 ノードの工場システムにおいて、PRIM-FT はグラフを考慮しない手法の中で最良であり、真のグラフを使用するドメイン固有の手法である CausTR と同等の性能を冷却および油圧サブシステムで達成した。

• 推論時間：PRIM はグラフサイズに関係なく一定の推論時間（GPU 上で約 17 ms、CPU 上で約 280 ms）を示したが、他の手法は指数関数的なスケーリングを示した。

意義と主張

本論文は、PRIM が因果構造の必要性と推論の計算コストの間のトレードオフを成功裡に解決したと主張している。RCA をベイズメタ学習問題として定式化することにより、PRIM は以下の点を実現する：

• 「2 段階」のボトルネックの回避：限られたデータでは計算的に禁止され、統計的に力が不足しがちな明示的な因果発見の必要性を回避する。
• 不確実性の処理：ベイズモデル平均化を通じて、構造的な不確実性を根本原因の事後分布に伝播させ、単一の（おそらく誤った）グラフにコミットすることの落とし穴を回避する。
• 一般化：多様な因果構造で訓練された合成事前分布は、事前分布がターゲットシステムのダイナミクスを捉えている限り、現実世界のドメインに効果的に一般化する。
• 実用性：ゼロショット機能と軽量な微調整の組み合わせにより、PRIM は真のグラフが利用できない複雑なシステムにおけるリアルタイムの故障診断に適している。

著者は限界を認め、識別性は非巡回 SCM、因果的完全性、および I-忠実性といった仮定に依存していると指摘している。さらに、事前分布が誤指定された場合（例：高負荷の PetShop シナリオや特定の CausRCA サブシステム）、性能は低下する可能性があり、現在のモデルは利用可能な場合でも既知の真のグラフを利用することはできない。