論文の概要: Root Cause Identification for Collective Anomalies in Time Series given an Acyclic Summary Causal Graph with Loops

• arxiv url: http://arxiv.org/abs/2303.04038v1
• Date: Tue, 7 Mar 2023 16:47:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 14:37:07.199647
• Title: Root Cause Identification for Collective Anomalies in Time Series given an Acyclic Summary Causal Graph with Loops
• Title（参考訳）: ループ付非循環的概要因果グラフによる時系列集合異常の根本原因同定
• Authors: Charles K. Assaad, Imad Ez-zejjari and Lei Zan
• Abstract要約: 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、正常および異常な状態における直接的な因果効果を比較することで見つけることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an approach for identifying the root causes of collective anomalies given observational time series and an acyclic summary causal graph which depicts an abstraction of causal relations present in a dynamic system at its normal regime. The paper first shows how the problem of root cause identification can be divided into many independent subproblems by grouping related anomalies using d-separation. Further, it shows how, under this setting, some root causes can be found directly from the graph and from the time of appearance of anomalies. Finally, it shows, how the rest of the root causes can be found by comparing direct causal effects in the normal and in the anomalous regime. To this end, temporal adaptations of the back-door and the single-door criterions are introduced. Extensive experiments conducted on both simulated and real-world datasets demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 本稿では,観測時系列に与えられた集団的異常の根本原因を同定する手法と,その正規状態における動的系に存在する因果関係の抽象化を記述した非循環的要約因果グラフを提案する。 本論文は,まず,d-分離を用いた関連異常をグループ化することにより,根原因同定の問題を多数の独立部分問題に分割する方法を示した。 さらに、この設定の下では、いくつかの根本原因がグラフから直接、および異常の出現時から発見できることを示す。 最後に、正常と異常な状態における直接因果効果を比較することにより、根源の他の原因がどのように見出されるかを示す。 この目的のために、バックドアとシングルドア基準の時間的適応を導入する。 シミュレーションデータセットと実世界データセットの両方で広範な実験を行い,提案手法の有効性を実証した。

関連論文リスト

• Root Cause Explanation of Outliers under Noisy Mechanisms [50.59446568076628]
  因果過程は、しばしばグラフとしてモデル化され、エンティティはノードであり、パス/インターコネクションはエッジである。 既存の作業は、生成プロセスにおけるノードの寄与のみを考慮している。 根本原因を特定する際,各メカニズムの個々のエッジとノードについて検討する。
  論文  参考訳（メタデータ） (2023-12-19T03:24:26Z)
• Identifiability of Direct Effects from Summary Causal Graphs [1.0878040851638]
  本稿では,要約因果グラフから直接効果が図形的に識別可能なすべてのケースを特徴付ける。 これは2つの音の有限調整セットを与え、それが特定可能なときに直接効果を推定するために使用できる。
  論文  参考訳（メタデータ） (2023-06-29T14:05:35Z)
• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• 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)
• Inferring extended summary causal graphs from observational time series [4.263043028086137]
  時系列間の差分を決定するために,情報理論の手法を用いている。 本手法の動作は,シミュレーションおよび実データを用いたいくつかの実験を通して説明される。
  論文  参考訳（メタデータ） (2022-05-19T09:39:57Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• 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)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• 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。