論文の概要: Diverse Counterfactual Explanations for Anomaly Detection in Time Series
- arxiv url: http://arxiv.org/abs/2203.11103v1
- Date: Mon, 21 Mar 2022 16:30:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 16:42:26.262420
- Title: Diverse Counterfactual Explanations for Anomaly Detection in Time Series
- Title（参考訳）: 時系列における異常検出のための多元的説明法
- Authors: Deborah Sulem and Michele Donini and Muhammad Bilal Zafar and
Francois-Xavier Aubet and Jan Gasthaus and Tim Januschowski and Sanjiv Das
and Krishnaram Kenthapadi and Cedric Archambeau
- Abstract要約: 本稿では,時系列異常検出モデルに対する反実的アンサンブル説明を生成するモデル非依存アルゴリズムを提案する。
本手法は, 検出モデルでは異常とはみなされない, 元の時系列の複数バージョンを, 多様な逆実例として生成する。
我々のアルゴリズムは、任意の識別可能な異常検出モデルに適用できる。
- 参考スコア（独自算出の注目度）: 26.88575131193757
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven methods that detect anomalies in times series data are ubiquitous
in practice, but they are in general unable to provide helpful explanations for
the predictions they make. In this work we propose a model-agnostic algorithm
that generates counterfactual ensemble explanations for time series anomaly
detection models. Our method generates a set of diverse counterfactual
examples, i.e, multiple perturbed versions of the original time series that are
not considered anomalous by the detection model. Since the magnitude of the
perturbations is limited, these counterfactuals represent an ensemble of inputs
similar to the original time series that the model would deem normal. Our
algorithm is applicable to any differentiable anomaly detection model. We
investigate the value of our method on univariate and multivariate real-world
datasets and two deep-learning-based anomaly detection models, under several
explainability criteria previously proposed in other data domains such as
Validity, Plausibility, Closeness and Diversity. We show that our algorithm can
produce ensembles of counterfactual examples that satisfy these criteria and
thanks to a novel type of visualisation, can convey a richer interpretation of
a model's internal mechanism than existing methods. Moreover, we design a
sparse variant of our method to improve the interpretability of counterfactual
explanations for high-dimensional time series anomalies. In this setting, our
explanation is localised on only a few dimensions and can therefore be
communicated more efficiently to the model's user.
- Abstract（参考訳）: 時系列データの異常を検出するデータ駆動型メソッドは、実際にはユビキタスだが、一般的には予測に有用な説明を提供することができない。
本研究では,時系列異常検出モデルに対する反実的アンサンブル説明を生成するモデル非依存アルゴリズムを提案する。
本手法は, 検出モデルでは異常とはみなされない, もともとの時系列の複数の摂動バージョンに対して, 種々の逆実例を生成する。
摂動の大きさは限られているため、これらの反事実はモデルが正規と考える元の時系列に似た入力のアンサンブルを表す。
本アルゴリズムは任意の可微分異常検出モデルに適用できる。
本稿では,実世界の不平等・多変量データセットと2つの深層学習に基づく異常検出モデルについて,妥当性,信頼性,親密性,多様性といった他のデータ領域で提案されている説明可能性基準に基づいて検討する。
提案アルゴリズムは,これらの基準を満たす反実例のアンサンブルを生成でき,新しいタイプの可視化により,既存の手法よりもモデルの内部メカニズムの豊富な解釈を伝達できることを示す。
さらに,本手法のスパース変種を設計し,高次元時系列異常に対する対実的説明の解釈性を向上させる。
この設定では、我々の説明はわずか数次元で局所化され、従ってモデル利用者により効率的に伝達することができる。
関連論文リスト
- USD: Unsupervised Soft Contrastive Learning for Fault Detection in Multivariate Time Series [6.055410677780381]
本研究では,データ拡張とソフトコントラスト学習の組み合わせを導入し,より正確に状態行動の多面的特性を捉えることを目的としている。
この二重戦略は、正常な状態と異常な状態を区別するモデルの能力を著しく向上させ、複数のデータセットと設定で障害検出性能が著しく向上する。
論文 参考訳（メタデータ） (2024-05-25T14:48:04Z) - 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) - Time series anomaly detection with reconstruction-based state-space
models [10.085100442558828]
本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。
長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。
潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
論文 参考訳（メタデータ） (2023-03-06T17:52:35Z) - 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) - Framing Algorithmic Recourse for Anomaly Detection [18.347886926848563]
我々は,タブラルデータ(CARAT)における異常に対する文脈保存型アルゴリズムレコースを提案する。
CARATはトランスフォーマーベースのエンコーダデコーダモデルを用いて、低い確率で特徴を見つけることで異常を説明する。
異常なインスタンス内の特徴の全体的コンテキストを使用して、強調された特徴を変更することによって、意味的に一貫性のある反事実が生成される。
論文 参考訳（メタデータ） (2022-06-29T03:30:51Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - 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) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z) - Time Series Anomaly Detection with label-free Model Selection [0.6303112417588329]
ラベルのない時系列データに対するラベルなしモデル選択を用いた新しい異常検出アルゴリズムであるLaF-ADを提案する。
我々のアルゴリズムは容易に並列化可能であり、不条件データや季節データに対してより堅牢であり、多数の異常モデルに対して非常にスケーラブルである。
論文 参考訳（メタデータ） (2021-06-11T00:21:06Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳（メタデータ） (2020-06-05T20:54:11Z)
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。