論文の概要: Towards Meaningful Anomaly Detection: The Effect of Counterfactual Explanations on the Investigation of Anomalies in Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2302.03302v1
• Date: Tue, 7 Feb 2023 07:27:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-08 17:10:50.018075
• Title: Towards Meaningful Anomaly Detection: The Effect of Counterfactual Explanations on the Investigation of Anomalies in Multivariate Time Series
• Title（参考訳）: 有意義な異常検出に向けて:多変量時系列の異常調査における反事実的説明の影響
• Authors: Max Schemmer, Joshua Holstein, Niklas Bauer, Niklas K\"uhl, Gerhard Satzger
• Abstract要約: 検出された異常の中には、例えば、計画されたマシンのシャットダウンのような稀な事象があるが、実際には興味のある事象ではない。 本稿では,異常検出の説明を提供することで,この異常検出を支援することを提案する。 ニューヨーク市のタクシー乗りの記録をテストベッドとして利用して行動実験を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Detecting rare events is essential in various fields, e.g., in cyber security or maintenance. Often, human experts are supported by anomaly detection systems as continuously monitoring the data is an error-prone and tedious task. However, among the anomalies detected may be events that are rare, e.g., a planned shutdown of a machine, but are not the actual event of interest, e.g., breakdowns of a machine. Therefore, human experts are needed to validate whether the detected anomalies are relevant. We propose to support this anomaly investigation by providing explanations of anomaly detection. Related work only focuses on the technical implementation of explainable anomaly detection and neglects the subsequent human anomaly investigation. To address this research gap, we conduct a behavioral experiment using records of taxi rides in New York City as a testbed. Participants are asked to differentiate extreme weather events from other anomalous events such as holidays or sporting events. Our results show that providing counterfactual explanations do improve the investigation of anomalies, indicating potential for explainable anomaly detection in general.
• Abstract（参考訳）: まれな事象の検出は、サイバーセキュリティやメンテナンスなど、さまざまな分野において不可欠である。 しばしば、人間の専門家は異常検出システムによって支援され、データの継続的な監視はエラーを起こし、面倒な作業である。 しかし、検出された異常の中には、例えば、機械の計画的なシャットダウンのようなまれな出来事があるかもしれないが、実際の関心のある出来事、例えば機械の故障などではない。 したがって、人間の専門家は検出された異常が関連しているかどうかを検証する必要がある。 我々は,異常検出の説明を提供することにより,この異常検出を支援することを提案する。 関連する研究は、説明可能な異常検出の技術的実装のみに焦点を当て、その後の人間の異常調査を無視する。 この研究ギャップに対処するため、ニューヨーク市のタクシー乗りの記録をテストベッドとして利用して行動実験を行った。 参加者は、極端な気象イベントと、休日やスポーツイベントのような他の異常なイベントとの区別を求める。 以上の結果から, 反事実的説明の提供は異常の調査を改善させ, 一般に説明可能な異常検出の可能性を示した。

関連論文リスト

• Bias in Unsupervised Anomaly Detection in Brain MRI [12.857583780524847]
  教師なし異常検出法は、教師付きアプローチに代わる有望で柔軟な代替手段を提供する。 現状では, テストケースとトレーニング分布の違いは, 病的条件のみに起因していると推定されることが多い。 スキャナー、年齢、性別、人種など、他の潜在的な分布シフト源の存在は、しばしば見過ごされる。
  論文  参考訳（メタデータ） (2023-08-26T12:39:25Z)
• Maat: Performance Metric Anomaly Anticipation for Cloud Services with Conditional Diffusion [32.86745044103766]
  既存の異常検出技術は、リアルタイム検出のみに焦点を合わせており、異常が発生したら即座に異常警報が発行される。 本稿では,クラウドサービスのパフォーマンス指標の異常予測に対処する最初の試みであるMaatを提案する。 Maatは、予測値の予測と予測値の異常検出からなる、新しい2段階の予測パラダイムを採用している。
  論文  参考訳（メタデータ） (2023-08-15T09:50:15Z)
• Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
  本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。 両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-27T14:10:09Z)
• AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
  異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。 本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。 本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
  論文  参考訳（メタデータ） (2023-04-09T10:40:02Z)
• 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)
• 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)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• 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)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
  異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。 最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。 本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
  論文  参考訳（メタデータ） (2021-05-16T03:55:02Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。