次元削減後に削減した根本原因メトリクス群を補完すると、メトリクス粒度の原因特定手法[[2022__NeurIPS__Root Cause Analysis of Failures in Microservices through Causal Discovery|RCD]]の精度が次元削減無しよりも向上した。 また、[[2021__ACSOS__Causal Inference Techniques for Microservice Performance Diagnosis - Evaluation and Guiding Recommendations|Wu+, ACSOS2021]]では、[[BIRCH]]クラスタリングによる次元削減により原因特定の精度が向上すると述べられている。 [[2022__arXiv__CausalRCA - Causal Inference based Precise Fine-grained Root Cause Localization for Microservice Applications|CausalRCA]]では、次元削減（特徴量削減）の可能性 これにより次元削減が精度に寄与することはわかったので、根本原因メトリクスを削除しないようにアルゴリズムを修正する。 学習時間を短縮し、特定精度を向上させるための特徴量削減などのデータ前処理を検討することができる。