論文の概要: Detecting and Ranking Causal Anomalies in End-to-End Complex System

• arxiv url: http://arxiv.org/abs/2301.07281v2
• Date: Fri, 3 May 2024 05:13:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-06 18:35:59.252943
• Title: Detecting and Ranking Causal Anomalies in End-to-End Complex System
• Title（参考訳）: エンド・ツー・エンド複合システムにおける因果異常の検出とランク付け
• Authors: Ching Chang, Wen-Chih Peng,
• Abstract要約: エンドツーエンドシステム(RCAE2E)におけるランク付け因果異常(Ring Causal Anomalies)というフレームワークを提案する。 これらの問題に基づいて、エンド・ツー・エンド・システム(RCAE2E)におけるランク付け因果異常(Ring Causal Anomalies)と呼ばれるフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.02817768857185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of technology, the automated monitoring systems of large-scale factories are becoming more and more important. By collecting a large amount of machine sensor data, we can have many ways to find anomalies. We believe that the real core value of an automated monitoring system is to identify and track the cause of the problem. The most famous method for finding causal anomalies is RCA, but there are many problems that cannot be ignored. They used the AutoRegressive eXogenous (ARX) model to create a time-invariant correlation network as a machine profile, and then use this profile to track the causal anomalies by means of a method called fault propagation. There are two major problems in describing the behavior of a machine by using the correlation network established by ARX: (1) It does not take into account the diversity of states (2) It does not separately consider the correlations with different time-lag. Based on these problems, we propose a framework called Ranking Causal Anomalies in End-to-End System (RCAE2E), which completely solves the problems mentioned above. In the experimental part, we use synthetic data and real-world large-scale photoelectric factory data to verify the correctness and existence of our method hypothesis.
• Abstract（参考訳）: 技術の急速な発展に伴い、大規模工場の自動監視システムがますます重要になっている。 大量の機械センサデータを集めることで、異常を見つける多くの方法が得られます。 自動監視システムの真のコアバリューは、問題の原因を特定し、追跡することだと考えています。 因果異常を発見する最も有名な方法はRCAであるが、無視できない問題が数多くある。 彼らはAutoRegressive eXogenous(ARX)モデルを使用して、マシンプロファイルとして時間不変の相関ネットワークを作成し、このプロファイルを使用して、障害伝搬と呼ばれる手法を用いて因果異常を追跡する。 機械の動作をARXが確立した相関ネットワークを用いて記述する際には,(1)状態の多様性を考慮せず,(2)異なる時間ラグとの相関を別々に考慮しない,という2つの大きな問題がある。 これらの問題に基づいて、先述の問題を完全に解決するRCAE2Eのランク付け因果異常( Ranking Causal Anomalies)というフレームワークを提案する。 実験では, 合成データと実世界の大規模光電工場データを用いて, 方法仮説の正しさと存在を検証した。

関連論文リスト

• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• 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)
• Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
  時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。 本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。 本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
  論文  参考訳（メタデータ） (2022-01-09T05:55:47Z)
• Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
  本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。 我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。 そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
  論文  参考訳（メタデータ） (2021-07-27T06:48:20Z)
• Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
  近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。 本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2021-04-29T15:49:01Z)
• 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。