論文の概要: PUPAE: Intuitive and Actionable Explanations for Time Series Anomalies

• arxiv url: http://arxiv.org/abs/2401.09489v1
• Date: Tue, 16 Jan 2024 20:13:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-19 19:11:11.195425
• Title: PUPAE: Intuitive and Actionable Explanations for Time Series Anomalies
• Title（参考訳）: PUPAE: 時系列異常に対する直感的で実行可能な説明
• Authors: Audrey Der, Chin-Chia Michael Yeh, Yan Zheng, Junpeng Wang, Zhongfang Zhuang, Liang Wang, Wei Zhang, Eamonn J. Keogh
• Abstract要約: 本稿では,時系列異常に対する説明を生成するためのドメイン対実的説明手法を提案する。 本手法は,客観的に正確で直感的で,多くの状況において直接動作可能な視覚的・テキスト的説明を生成する。
• 参考スコア（独自算出の注目度）: 29.044942653423806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years there has been significant progress in time series anomaly detection. However, after detecting an (perhaps tentative) anomaly, can we explain it? Such explanations would be useful to triage anomalies. For example, in an oil refinery, should we respond to an anomaly by dispatching a hydraulic engineer, or an intern to replace the battery on a sensor? There have been some parallel efforts to explain anomalies, however many proposed techniques produce explanations that are indirect, and often seem more complex than the anomaly they seek to explain. Our review of the literature/checklists/user-manuals used by frontline practitioners in various domains reveals an interesting near-universal commonality. Most practitioners discuss, explain and report anomalies in the following format: The anomaly would be like normal data A, if not for the corruption B. The reader will appreciate that is a type of counterfactual explanation. In this work we introduce a domain agnostic counterfactual explanation technique to produce explanations for time series anomalies. As we will show, our method can produce both visual and text-based explanations that are objectively correct, intuitive and in many circumstances, directly actionable.
• Abstract（参考訳）: 近年,時系列異常検出が著しい進歩を遂げている。 しかし、(おそらく仮の)異常を検出すると、それを説明できますか? このような説明はトリアージ異常に有用であろう。 例えば、石油精製工場では、油圧エンジニアやインターンを派遣してセンサーのバッテリーを交換することで異常に対処すべきだろうか? 異常を説明するための並行的な取り組みはいくつかあったが、多くの提案手法は間接的な説明を生み出し、しばしば彼らが説明しようとする異常よりも複雑に見える。 本稿では,各分野のフロントライン実践者が使用する文献・チェックリスト・ユーザ・マニホールドについて概観する。 ほとんどの実践者は、以下の形式で異常を議論し、説明し、報告する。 anomalyは、腐敗bがなければ、通常のデータaのようなものです。 本稿では,時系列の異常を説明するために,ドメインに依存しない反事実的説明手法を提案する。 提案手法は,客観的に正確で直感的かつ多くの状況において直接実行可能な,視覚的な説明とテキストに基づく説明の両方を生成できる。

関連論文リスト

• AR-Pro: Counterfactual Explanations for Anomaly Repair with Formal Properties [12.71326587869053]
  異常検出は、重大な誤りや不審な振る舞いを識別するために広く用いられているが、現在の手法には解釈可能性がない。 本稿では,既存手法の共通特性を活用して,異常検出のための対実的説明を導入する。 このアプローチの重要な利点は、ドメインに依存しない説明可能性の形式的な仕様を可能にすることである。
  論文  参考訳（メタデータ） (2024-10-31T17:43:53Z)
• Explainable Anomaly Detection: Counterfactual driven What-If Analysis [38.897055626205464]
  対実的説明を「何」分析として活用するための概念実証を行う。 本稿では, 時間的畳み込みネットワークを異常検出器として, PRONOSTIAデータセット上でこれを実行する。
  論文  参考訳（メタデータ） (2024-08-21T18:38:59Z)
• Uncovering What, Why and How: A Comprehensive Benchmark for Causation Understanding of Video Anomaly [29.822544507594056]
  ビデオ異常の因果理解のためのベンチマーク(CUVA)を提案する。 提案されたベンチマークの各インスタンスは、異常の"何"、"なぜ"、"どのように"を示す3つの人間のアノテーションを含んでいる。 MMEvalはCUVAの人間の嗜好に合うように設計された新しい評価基準である。
  論文  参考訳（メタデータ） (2024-04-30T20:11:49Z)
• Reimagining Anomalies: What If Anomalies Were Normal? [21.480869966442143]
  本稿では,各異常に対して複数の逆実例を生成する新しい説明法を提案する。 逆の例は、異常検知器によって正常と見なされる異常の修正である。 この手法は、異常検知を起動するメカニズムの高レベルなセマンティックな説明を提供し、ユーザーは「何のシナリオ」を探索できる。
  論文  参考訳（メタデータ） (2024-02-22T11:56:44Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Explainable Anomaly Detection in Images and Videos: A Survey [49.07140708026425]
  画像やビデオを含む視覚データの異常検出とローカライゼーションは、機械学習のアカデミックと実世界のシナリオの適用において非常に重要である。 近年の視覚異常検出技術の急速な発展にもかかわらず、これらのブラックボックスモデルの解釈や、なぜ異常を区別できるのかの合理的な説明は乏しい。 本稿では,説明可能な視覚異常検出法に焦点をあてた最初の調査を行う。
  論文  参考訳（メタデータ） (2023-02-13T20:17:41Z)
• Towards Meaningful Anomaly Detection: The Effect of Counterfactual Explanations on the Investigation of Anomalies in Multivariate Time Series [0.0]
  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。
  論文  参考訳（メタデータ） (2023-02-07T07:27:26Z)
• 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)
• 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)
• Visual Abductive Reasoning [85.17040703205608]
  帰納的推論は、部分的な観察の可能な限りの可能な説明を求める。 本稿では,日常的な視覚的状況下でのマシンインテリジェンスの帰納的推論能力を調べるために,新たなタスクとデータセットであるVisual Abductive Reasoning(VAR)を提案する。
  論文  参考訳（メタデータ） (2022-03-26T10:17:03Z)
• Fast and Accurate Anomaly Detection in Dynamic Graphs with a Two-Pronged Approach [49.25767340466445]
  動的グラフにおける異常検出のためのオンラインアルゴリズムAnomRankを提案する。 AnomRank氏は、異常を示す2つの新しいメトリクスを定義する2段階のアプローチを使用している。 理論的,実験的に,この2つのアプローチが共通の2種類の異常の検出に成功していることを示す。
  論文  参考訳（メタデータ） (2020-11-26T01:38:27Z)

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。