論文の概要: Causality-Based Multivariate Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2206.15033v1
• Date: Thu, 30 Jun 2022 06:00:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-01 13:34:54.060059
• Title: Causality-Based Multivariate Time Series Anomaly Detection
• Title（参考訳）: 因果関係に基づく多変量時系列異常検出
• Authors: Wenzhuo Yang and Kun Zhang and Steven C.H. Hoi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.799474860969156
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Anomaly detection in multivariate time series plays an important role in monitoring the behaviors of various real-world systems, e.g., IT system operations or manufacturing industry. Previous approaches model the joint distribution without considering the underlying mechanism of multivariate time series, making them complicated and computationally hungry. In this paper, we formulate the anomaly detection problem from a causal perspective and view anomalies as instances that do not follow the regular causal mechanism to generate the multivariate data. We then propose a causality-based anomaly detection approach, which first learns the causal structure from data and then infers whether an instance is an anomaly relative to the local causal mechanism to generate each variable from its direct causes, whose conditional distribution can be directly estimated from data. In light of the modularity property of causal systems, the original problem is divided into a series of separate low-dimensional anomaly detection problems so that where an anomaly happens can be directly identified. We evaluate our approach with both simulated and public datasets as well as a case study on real-world AIOps applications, showing its efficacy, robustness, and practical feasibility.
• Abstract（参考訳）: 多変量時系列における異常検出は、itシステム運用や製造産業など、様々な実世界のシステムの振る舞いを監視する上で重要な役割を果たす。 前回のアプローチでは、多変量時系列の基本的なメカニズムを考慮せずにジョイント分布をモデル化し、複雑で計算量的に空腹になる。 本稿では,因果の観点から異常検出問題を定式化し,異常を正規因果機構に従わないインスタンスとして多変量データを生成する。 そこで本研究では,まずデータから因果構造を学習し,そのインスタンスが局所因果機構に対して異常であるか否かを推定し,データから直接条件分布を推定できる直接原因から各変数を生成する因果性に基づく異常検出手法を提案する。 因果システムのモジュラリティ特性に照らして、元の問題は一連の分離された低次元異常検出問題に分割され、異常が発生した場合に直接識別される。 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して、シミュレーションと公開両方のデータセットによるアプローチを評価し、その有効性、堅牢性、実用性を示します。

関連論文リスト

• 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)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Intrinsic Anomaly Detection for Multi-Variate Time Series [33.199682596741276]
  固有の異常は、環境を表す時系列と、その環境に置かれるシステムの内部状態を表す時系列の間の機能的依存構造の変化である。 これらのことは、システムの状態の変化と予期せぬ変化、すなわち環境の影響から逸脱するシステムの変化を区別できない既存の異常検出手法の欠点に対処する。 我々の最も有望なアプローチは、完全に教師なしであり、敵対的学習と時系列表現学習を組み合わせることで、ラベルの空間性や主観性といった問題に対処する。
  論文  参考訳（メタデータ） (2022-06-29T00:51:44Z)
• CSCAD: Correlation Structure-based Collective Anomaly Detection in Complex System [11.739889613196619]
  大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。 本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。 異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-05-30T09:28:25Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Anomaly detection using principles of human perception [0.0]
  簡易かつリアルタイムかつパラメータフリーな教師なし異常検出アルゴリズムを開発した。 考えは、異常は、データの大半によって行われた特定のグループに関して予期しない観察であると仮定することです。
  論文  参考訳（メタデータ） (2021-03-23T05:46:27Z)
• 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)
• Root Cause Detection Among Anomalous Time Series Using Temporal State Alignment [0.0]
  本稿では,時系列変動のパターンを解析することにより,異常の根本原因を抽出する手法を提案する。 この考え方は、問題が不整合であるが、基底状態の均質なシフトを引き起こすときの効果の伝播を追跡することである。 そこで我々は,Zillows クリックストリームデータにおける異常の根本原因を,観測された変動の集合の中の因果パターンを同定することにより評価した。
  論文  参考訳（メタデータ） (2020-01-04T08:31:34Z)

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。