causation 理论的一点应用。证明分值不是偶然发生的
RCA 的工具一般可以 query and classify anomalies，相关性分析（causal probabilistic gaphical models）
- spurious correlations。当 dimensionality 比 data points 数量多
- 交互式查询，target metrics of interest(Y), 正常和异常时间段，specificity metrics for control(可选 Z)，search space of metrics(可选 X)=》TOP 20 root-cause insearchspace：scores(Xi)<-assoc(Y,Xi|Z)
原理
causal bayesian network。嗯，可以用带条件的两个变量关系去构造复杂的关系。
- ExplainIt!– A Declarative Root-cause Analysis Engine for Time Series Data
- Why? The above approach offers three main benefits.
- First, the formalism is a non-parametric and declarative way of expressing dependencies between variables and defers any specific approach to the runtime system.
- Second, the unified approach naturally lends itself to multivariate dependencies of more complex relationships beyond simple correlations between pairwise univariate metrics.
- Third, the approach also gives us a way to reason about dependencies that might be easier to detect only when holding some variables con- stant; 1.feature family（可以按照 host 聚合，类似 group by。比如某个 feature family 是 75th 延时，当前 clusterjobs 数量）
2.ranking 假设（X,Y,Z）=》给出 Xi 的排序
单变量 Z 空 score:X 中每个 Xi,Y 中每个 Yj,Pearson product-moment coorelation 的均值和最值 coorMean=meani,j|pi,j|。
多变量 Z 空，线性回归（random projection 降维）+loss function 计算 R 方
Z 不空：回归 Y~Z,X~Z. 得到 RY;X.,RX;Z. 回归两个 R 计算 R2(Y;X|Z)
当 X 中 predictors 很多，observations 很少时。用 Ridge penalty 达到了和 adjusted R2 一样的效果。见后文。
实验是否能够补全图
评估
打分方法的评估：
ranking accuracy：cause 是第 r 个，1/r
success rate: cause in topk 得 1，否则 0
理论
PC/SGS 算法 use pairwise conditional independence=>full causal structture.also considering a joint set of variables.
rarely requires the full causal structuew
给出了过拟合 用 radj。当一个 score 至少大于 s 是意外正常发生的概率和 n,p 的关系。当 s 小于这个值时不可信的。