論文の概要: On Interpretable Anomaly Detection Using Causal Algorithmic Recourse
- arxiv url: http://arxiv.org/abs/2212.04031v1
- Date: Thu, 8 Dec 2022 02:03:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 15:58:43.510530
- Title: On Interpretable Anomaly Detection Using Causal Algorithmic Recourse
- Title(参考訳): 因果アルゴリズムを用いた解釈可能な異常検出について
- Authors: Xiao Han, Lu Zhang, Yongkai Wu, Shuhan Yuan
- Abstract要約: 因果アルゴリズム・リコース(ADCAR)を用いた解釈可能な異常検出フレームワークを提案する。
3つのデータセットの実験は、ADCARが最小限の介入で異常ラベルを反転させることができることを示している。
- 参考スコア(独自算出の注目度): 20.586768167592112
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As many deep anomaly detection models have been deployed in the real-world,
interpretable anomaly detection becomes an emerging task. Recent studies focus
on identifying features of samples leading to abnormal outcomes but cannot
recommend a set of actions to flip the abnormal outcomes. In this work, we
focus on interpretations via algorithmic recourse that shows how to act to
revert abnormal predictions by suggesting actions on features. The key
challenge is that algorithmic recourse involves interventions in the physical
world, which is fundamentally a causal problem. To tackle this challenge, we
propose an interpretable Anomaly Detection framework using Causal Algorithmic
Recourse (ADCAR), which recommends recourse actions and infers counterfactual
of abnormal samples guided by the causal mechanism. Experiments on three
datasets show that ADCAR can flip the abnormal labels with minimal
interventions.
- Abstract(参考訳): 多くの深い異常検出モデルが現実世界に展開されているため、解釈可能な異常検出は新たな課題となる。
近年の研究では、異常な結果につながるサンプルの特徴を特定することに焦点が当てられているが、異常な結果に逆らう一連のアクションを推奨することはできない。
本研究は,特徴に対する行動を提案することによって,異常予測を逆転する方法を示すアルゴリズムによる解釈に焦点を当てる。
鍵となる課題は、アルゴリズムによるリコースは、基本的に因果問題である物理世界の介入を伴うことである。
この課題に対処するために,因果アルゴリズム・リコース(Causal Algorithmic Recourse, ADCAR)を用いた解釈可能な異常検出フレームワークを提案する。
3つのデータセットの実験では、ADCARは最小限の介入で異常ラベルを反転させることができる。
関連論文リスト
- Causal Discovery under Off-Target Interventions [18.92683981229985]
因果グラフ発見は様々な分野の応用において重要な問題である。
本研究は,介入数の最小化を目標とした介入設定の下での因果発見問題に対処する。
論文 参考訳(メタデータ) (2024-02-13T05:43:49Z) - Learning Causally Disentangled Representations via the Principle of
Independent Causal Mechanisms [18.318692567104378]
本稿では、因果関係の観測ラベルによって教師される因果関係の非絡み合い表現を学習するための枠組みを提案する。
この枠組みは, 極めて不整合な因果関係を生じさせ, 介入の堅牢性を向上し, 反事実発生と相容れないことを示す。
論文 参考訳(メタデータ) (2023-06-02T00:28:48Z) - Root Cause Identification for Collective Anomalies in Time Series given
an Acyclic Summary Causal Graph with Loops [1.8416014644193066]
本論文はまず,根本原因同定の問題を多くの独立したサブプロブレムに分割する方法について述べる。
この設定の下では、いくつかの根本原因はグラフや異常の出現時から直接発見することができる。
根の他の原因は、正常な状態と異常な状態の直接的な影響を比較することで見つけることができる。
論文 参考訳(メタデータ) (2023-03-07T16:47:35Z) - Hierarchical Graph Neural Networks for Causal Discovery and Root Cause
Localization [52.72490784720227]
REASONはTopological Causal DiscoveryとPersonal Causal Discoveryで構成されている。
Topological Causal Discoveryコンポーネントは、根本原因を辿るために断層伝播をモデル化することを目的としている。
個々の因果発見コンポーネントは、単一のシステムエンティティの突然の変化パターンのキャプチャに重点を置いている。
論文 参考訳(メタデータ) (2023-02-03T20:17:45Z) - 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) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳(メタデータ) (2022-06-04T22:38:57Z) - BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。
BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
論文 参考訳(メタデータ) (2022-06-03T16:25:48Z) - Abnormal Behavior Detection Based on Target Analysis [57.78993932008633]
本稿では,対象,動作,動作の3つの分岐を通して各対象を解析する多変量融合法を提案する。
これらの枝が注目する情報は異なっており、相互に補完し、異常な振る舞いを共同で検出することができる。
論文 参考訳(メタデータ) (2021-07-29T02:03:47Z) - ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。
Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。
純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文 参考訳(メタデータ) (2021-03-26T02:42:38Z)
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。