論文の概要: Unifying Explainable Anomaly Detection and Root Cause Analysis in Dynamical Systems
- arxiv url: http://arxiv.org/abs/2502.12086v1
- Date: Mon, 17 Feb 2025 18:01:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:15:29.713834
- Title: Unifying Explainable Anomaly Detection and Root Cause Analysis in Dynamical Systems
- Title(参考訳): 力学系における説明可能な異常検出とルート原因解析の統一化
- Authors: Yue Sun, Rick S. Blum, Parv Venkitasubramaniam,
- Abstract要約: 本稿では, 常微分方程式(ODE)が支配する力学系における異常検出, 根本原因の局在化, および異常型分類の課題に対処する。
モデル固有の説明可能な学習フレームワークであるICODE(Interpretable Causality Ordinary Differential Equation)ネットワークを提案する。
ICODEは、単一の解釈可能なフレームワーク内で、異常検出、根本原因分析(RCA)、および異常型分類を同時に実行するように設計されている。
- 参考スコア(独自算出の注目度): 24.640375297580288
- License:
- Abstract: Dynamical systems, prevalent in various scientific and engineering domains, are susceptible to anomalies that can significantly impact their performance and reliability. This paper addresses the critical challenges of anomaly detection, root cause localization, and anomaly type classification in dynamical systems governed by ordinary differential equations (ODEs). We define two categories of anomalies: cyber anomalies, which propagate through interconnected variables, and measurement anomalies, which remain localized to individual variables. To address these challenges, we propose the Interpretable Causality Ordinary Differential Equation (ICODE) Networks, a model-intrinsic explainable learning framework. ICODE leverages Neural ODEs for anomaly detection while employing causality inference through an explanation channel to perform root cause analysis (RCA), elucidating why specific time periods are flagged as anomalous. ICODE is designed to simultaneously perform anomaly detection, RCA, and anomaly type classification within a single, interpretable framework. Our approach is grounded in the hypothesis that anomalies alter the underlying ODEs of the system, manifesting as changes in causal relationships between variables. We provide a theoretical analysis of how perturbations in learned model parameters can be utilized to identify anomalies and their root causes in time series data. Comprehensive experimental evaluations demonstrate the efficacy of ICODE across various dynamical systems, showcasing its ability to accurately detect anomalies, classify their types, and pinpoint their origins.
- Abstract(参考訳): 様々な科学的・工学的な領域で普及している力学系は、その性能と信頼性に大きな影響を及ぼすような異常の影響を受けやすい。
本稿では, 正規微分方程式(ODE)によって支配される力学系における異常検出, 根本原因の局在化, および異常型分類の重要課題について述べる。
我々は、相互接続された変数を通して伝播するサイバー異常と、個々の変数に局所的に分布する計測異常の2つのカテゴリを定義した。
これらの課題に対処するために、モデル固有の説明可能な学習フレームワークであるInterpretable Causality Ordinary Differential Equation (ICODE) Networksを提案する。
ICODEは、なぜ特定の時間帯が異常としてフラグ付けされているのかを解明し、説明チャネルを通じて因果推論を用いて根本原因分析(RCA)を行う。
ICODEは、単一の解釈可能なフレームワーク内で、異常検出、RCA、異常型分類を同時に実行するように設計されている。
我々のアプローチは,変数間の因果関係の変化として,システムの基盤となるODEが異常によって変化するという仮説に基づいている。
本稿では,学習したモデルパラメータの摂動を利用して時系列データ中の異常とその根本原因を同定する理論的解析を行う。
総合的な実験的評価は、様々な力学系におけるICODEの有効性を示し、異常を正確に検出し、タイプを分類し、起源を特定する能力を示している。
関連論文リスト
- Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series [1.223779595809275]
ニューラルネットワークによるディープラーニングに基づく最先端のアプローチは、異常認識において優れたパフォーマンスを達成する。
本手法はトレーニング効率が向上し,最先端のニューラルネットワークアーキテクチャの精度に優れることを示す。
論文 参考訳(メタデータ) (2024-04-15T15:42:12Z) - A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。
突発効果の非パラメトリック分解を可能にする最初の結果を証明する。
説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
論文 参考訳(メタデータ) (2023-06-08T09:40:28Z) - 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) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳(メタデータ) (2022-10-12T06:46:38Z) - 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) - A Survey on Anomaly Detection for Technical Systems using LSTM Networks [0.0]
異常は、意図されたシステムの動作から逸脱し、部分的または完全なシステム障害と同様に効率が低下する可能性がある。
本稿では,ディープニューラルネットワーク,特に長期記憶ネットワークを用いた最先端異常検出に関する調査を行う。
調査したアプローチは、アプリケーションシナリオ、データ、異常タイプ、およびさらなるメトリクスに基づいて評価される。
論文 参考訳(メタデータ) (2021-05-28T13:24:40Z) - 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)
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。