## Memo - [[2023__TDSC__DyCause - Crowdsourcing to Diagnose Microservice Kernel Failure|DyCause]]をより一般化した論文？ - 古典的なGranger因果性検定は、変数間の安定する因果関係を仮定するが、現実には満たさないことも多い。急速に変化する因果関係を発見する際に十分に短いウィンドウを考慮すれば静的な方法で問題ないという観察に基づき、Granger因果性にダイナミクスを導入する論文。 ## Abstract [[Granger因果性|Granger Causality]]が提案されて以来、多くの研究者がこの考え方を踏襲し、オリジナルのアルゴリズムの拡張を開発してきた。古典的なGranger因果性検定は、静的因果関係の存在を検出することを目的としている。特に、多くの先行研究の基本的な仮定は因果関係の定常性であり、変数間の因果関係が安定していることが必要である。しかし、本研究では、現実の場面ではこの仮定が崩れやすいことを主張する。幸いなことに、本論文は、急速に変化する因果関係を発見する際に十分に短いウィンドウを考慮すれば、因果関係はほぼ静的であり、したがって静的な方法で正しく検出できる、という本質的な観察を示している。これを踏まえて、我々はEffCauseを開発し、古典的なGranger causalityにダイナミクスを導入した。具体的には、異なるスライディングウィンドウ長における因果関係を効率的に調べるために、我々はEffCauseにおいて2つの最適化スキームを設計し、シミュレーションと実世界のデータセットの両方における広範な実験を通してEffCauseの優位性を実証します。その結果、EffCauseはより高速な計算を実現しながら、連続的な因果関係発見タスクにおいて最先端の精度を達成することが検証されました。クラウドシステムの障害解析とトラフィックフローモニタリングからのケーススタディは、EffCauseが効果的に実世界の時系列データを理解し、実用的な問題を解決するのに役立つことを示しています。