論文の概要: Anomaly Attribution of Multivariate Time Series using Counterfactual
Reasoning
- arxiv url: http://arxiv.org/abs/2109.06562v1
- Date: Tue, 14 Sep 2021 10:15:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-15 15:58:11.860080
- Title: Anomaly Attribution of Multivariate Time Series using Counterfactual
Reasoning
- Title(参考訳): 擬似推論を用いた多変量時系列の異常属性
- Authors: Violeta Teodora Trifunov, Maha Shadaydeh, Bj\"orn Barz, Joachim
Denzler
- Abstract要約: 我々は,反実的推論に基づく多変量時系列の新しい帰属スキームを開発した。
MDI(Maximally Divergent Interval)アルゴリズムを用いて異常区間を検出する。
- 参考スコア(独自算出の注目度): 7.616400192843963
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There are numerous methods for detecting anomalies in time series, but that
is only the first step to understanding them. We strive to exceed this by
explaining those anomalies. Thus we develop a novel attribution scheme for
multivariate time series relying on counterfactual reasoning. We aim to answer
the counterfactual question of would the anomalous event have occurred if the
subset of the involved variables had been more similarly distributed to the
data outside of the anomalous interval. Specifically, we detect anomalous
intervals using the Maximally Divergent Interval (MDI) algorithm, replace a
subset of variables with their in-distribution values within the detected
interval and observe if the interval has become less anomalous, by re-scoring
it with MDI. We evaluate our method on multivariate temporal and
spatio-temporal data and confirm the accuracy of our anomaly attribution of
multiple well-understood extreme climate events such as heatwaves and
hurricanes.
- Abstract(参考訳): 時系列の異常を検出する方法は数多く存在するが、それを理解するための第一歩に過ぎない。
私たちはそれらの異常を説明することでこれを乗り越えようとしている。
そこで我々は,反事実推論に基づく多変量時系列に対する新しい帰属スキームを開発した。
我々は,関連する変数のサブセットが異常区間外のデータにより類似して分散されていた場合,異常事象が発生したのかという反事実的疑問に答えることを目的とする。
具体的には,mdi(maximally divergent interval)アルゴリズムを用いて異常区間の検出を行い,検出区間内の変数のサブセットをその分布値に置き換え,mdiで再コードすることで異常区間が異常でないかどうかを観測する。
我々は,多変量時空間データと時空間データについて検討し,熱波やハリケーンなど複数の高度気象事象の異常属性の精度を確認した。
関連論文リスト
- Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳(メタデータ) (2024-07-19T13:33:38Z) - Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
時系列における変化点検出は、時系列の確率分布が変化する時間を特定する。
実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
論文 参考訳(メタデータ) (2024-07-10T00:54:42Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Entropy Causal Graphs for Multivariate Time Series Anomaly Detection [7.402342914903391]
本研究では,多変量時系列異常検出のためのエントロピー因果グラフであるCGADを提案する。
CGADは転送エントロピーを利用して時系列データ間の因果関係を明らかにするグラフ構造を構築する。
CGADは、15%の平均的な改善で、実世界のデータセット上で最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-12-15T01:35:00Z) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳(メタデータ) (2023-10-17T06:29:09Z) - Algorithmic Recourse for Anomaly Detection in Multivariate Time Series [19.74694026053318]
本稿では、異常な時間ステップを反転させるリコースアクションを推奨できるRecADと呼ばれるアルゴリズム的リコースフレームワークを提案する。
2つの合成データセットと1つの実世界のデータセットの実験は、我々のフレームワークの有効性を示している。
論文 参考訳(メタデータ) (2023-09-28T23:50:11Z) - CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。
既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。
本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文 参考訳(メタデータ) (2023-08-18T04:45:56Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time
Series [7.675917669905486]
本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。
我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。
既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
論文 参考訳(メタデータ) (2021-09-23T15:14:24Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。