論文の概要: On Root Cause Localization and Anomaly Mitigation through Causal Inference

• arxiv url: http://arxiv.org/abs/2212.04031v2
• Date: Thu, 7 Sep 2023 03:55:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-08 17:59:37.568243
• Title: On Root Cause Localization and Anomaly Mitigation through Causal Inference
• Title（参考訳）: 因果推論による根源の局在と異常緩和について
• Authors: Xiao Han, Lu Zhang, Yongkai Wu, Shuhan Yuan
• Abstract要約: RootCLAMは、根本原因の局在化と異常緩和を因果的観点から達成することを目的としている。 特に,正常な因果機構に対する外的介入による異常を定式化する。 本稿では,異常な特徴に対する緩和行動を推奨し,異常な結果を取り戻すことを目的とした異常軽減手法を提案する。
• 参考スコア（独自算出の注目度）: 19.74694026053318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to a wide spectrum of applications in the real world, such as security, financial surveillance, and health risk, various deep anomaly detection models have been proposed and achieved state-of-the-art performance. However, besides being effective, in practice, the practitioners would further like to know what causes the abnormal outcome and how to further fix it. In this work, we propose RootCLAM, which aims to achieve Root Cause Localization and Anomaly Mitigation from a causal perspective. Especially, we formulate anomalies caused by external interventions on the normal causal mechanism and aim to locate the abnormal features with external interventions as root causes. After that, we further propose an anomaly mitigation approach that aims to recommend mitigation actions on abnormal features to revert the abnormal outcomes such that the counterfactuals guided by the causal mechanism are normal. Experiments on three datasets show that our approach can locate the root causes and further flip the abnormal labels.
• Abstract（参考訳）: セキュリティ、金融監視、健康リスクといった現実世界の幅広い応用により、様々な深い異常検出モデルが提案され、最先端のパフォーマンスを達成している。 しかし、実際は効果があるだけでなく、何が異常な結果を引き起こすのか、どのように修正するかを知りたいと考える。 本研究では,Root Cause Localization と Anomaly Mitigation を因果的観点から実現することを目的とした RootCLAM を提案する。 特に,正常な因果機構に対する外的介入による異常を定式化し,外的介入を根本原因とする異常な特徴の発見を目指す。 その後, 異常な特徴に対する緩和行動を推奨し, 因果機構が誘導する反事実が正常であるような異常結果の逆転を推奨する, 異常緩和アプローチも提案する。 3つのデータセットの実験により、我々のアプローチは根本原因を特定し、さらに異常なラベルを反転させることができることが示された。

関連論文リスト

• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• Counterfactual-based Root Cause Analysis for Dynamical Systems [0.33748750222488655]
  本稿では,残留ニューラルネットワークを用いた根本原因同定手法を提案する。 構造方程式と外的影響に介入した場合に、より多くの根本原因が同定されることを示す。 本稿では,提案手法が実世界の河川データセットだけでなく,ベンチマーク・ダイナミック・システムにも有効であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T11:38:13Z)
• Root Cause Analysis of Outliers with Missing Structural Knowledge [13.152501863685478]
  本研究では,定量的寄与分析ではなく,一意の根本原因を同定する作業において,簡易かつ効率的な根本原因解析法を提案する。 提案手法は,SCMノードの線形順序で動作し,因果DAGのみを必要とする。 非単調な異常スコアを持つ因果経路の可能性を示すため, 小さいスコアを持つ異常が大きなスコアを生じさせる可能性は低いことを証明した。
  論文  参考訳（メタデータ） (2024-06-07T15:24:38Z)
• 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)
• 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。