LLM 기반 에이전트 시스템의 실패 원인 규명(Failure attribution), 즉 실패 궤적(failure trajectory)에서 어떤 단계가 작업을 실패하게 했는지 식별하는 것은 이러한 시스템을 디버깅하고 개선하는 데 매우 중요합니다. 기존 접근 방식들은 계산 비용이 많이 드는 프롬프팅 기반 파이프라인에 의존하거나, 단계별 오류 주석(step-level error annotations)이 필요한 실패 궤적에 대한 사후 학습(post-training)을 요구하는데, 이는 수집하기 어렵고 확장성이 떨어지는 문제가 있습니다. 우리는 실용적인 실패 원인 규명 모델은 가볍고 실패 데이터에 대해 단계별 감독(step-level supervision) 없이 학습 가능해야 한다고 주장합니다. 이를 위해, 우리는 비지도 실패 원인 규명(unsupervised failure attribution), 즉 성공적인 궤적만을 사용하여 학습하고 주어진 실패 궤적을 통해 추론 시점에 오류 단계를 식별하는 문제에 접근합니다. 우리는 OAT를 제안하며, 이 문제를 신경 제어 미분 방정식(neural controlled differential equations)을 이용한 원클래스 학습(one-class learning)으로 간주하여 잠재 공간(latent space)에서 성공적인 궤적의 동역학적 패턴을 모델링합니다. 추론 시점에 실패 궤적의 각 단계는 성공적인 궤적에서 학습된 동역학으로부터의 편차를 기반으로 이상치 점수(anomaly score)가 할당되며, 이를 통해 오류 단계들의 집합이 형성됩니다. 단지 100개의 성공적인 궤적만을 가지고 학습한 실험 결과, OAT는 프롬프팅 기반 기준선보다 200배에서 5000배 더 빠르며, 동시에 인-도메인(in-domain) 및 아웃-오브-디스트리뷰션(out-of-distribution) 데이터셋 모두에서 각각 +20%, +7%의 F1 점수로 일관되게 성능을 능가하여, OAT가 에이전트 시스템 실패 진단에 유망하고 효율적인 방향임을 입증합니다.