論文の概要: ShaTS: A Shapley-based Explainability Method for Time Series Artificial Intelligence Models applied to Anomaly Detection in Industrial Internet of Things

• arxiv url: http://arxiv.org/abs/2506.01450v1
• Date: Mon, 02 Jun 2025 09:07:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.112087
• Title: ShaTS: A Shapley-based Explainability Method for Time Series Artificial Intelligence Models applied to Anomaly Detection in Industrial Internet of Things
• Title（参考訳）: ShaTS: 産業用モノのインターネットにおける異常検出に応用した時系列人工知能モデルの共有型説明可能性手法
• Authors: Manuel Franco de la Peña, Ángel Luis Perales Gómez, Lorenzo Fernández Maimó,
• Abstract要約: 本研究は,時系列モデルにおけるシェープリー値説明の精度向上を目的とした,モデルに依存しない説明可能な人工知能手法であるShaTS(Shapley Value for Time Series Model)を提案する。 SWaTデータセットで実施された実験では、ShaTSが臨界時刻を正確に識別し、センサ、アクチュエータ、異常の影響を正確に特定し、説明可能性とリソース効率の両方の観点からSHAPを上回ります。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Industrial Internet of Things environments increasingly rely on advanced Anomaly Detection and explanation techniques to rapidly detect and mitigate cyberincidents, thereby ensuring operational safety. The sequential nature of data collected from these environments has enabled improvements in Anomaly Detection using Machine Learning and Deep Learning models by processing time windows rather than treating the data as tabular. However, conventional explanation methods often neglect this temporal structure, leading to imprecise or less actionable explanations. This work presents ShaTS (Shapley values for Time Series models), which is a model-agnostic explainable Artificial Intelligence method designed to enhance the precision of Shapley value explanations for time series models. ShaTS addresses the shortcomings of traditional approaches by incorporating an a priori feature grouping strategy that preserves temporal dependencies and produces both coherent and actionable insights. Experiments conducted on the SWaT dataset demonstrate that ShaTS accurately identifies critical time instants, precisely pinpoints the sensors, actuators, and processes affected by anomalies, and outperforms SHAP in terms of both explainability and resource efficiency, fulfilling the real-time requirements of industrial environments.
• Abstract（参考訳）: 産業用モノのインターネット環境は、サイバー事故を迅速に検出し軽減し、運用上の安全性を確保するために、高度な異常検知と説明技術にますます依存している。 これらの環境から収集されたデータのシーケンシャルな性質は、データを表として扱うのではなく、時間ウィンドウを処理することによって、機械学習とディープラーニングモデルを使用した異常検出の改善を可能にした。 しかし、従来の説明法は、しばしばこの時間的構造を無視し、不正確で実用的な説明に繋がる。 本研究は,時系列モデルにおけるシェープリー値説明の精度向上を目的とした,モデルに依存しない説明可能な人工知能手法であるShaTS(Shapley Value for Time Series Model)を提案する。 ShaTSは、時間的依存関係を保持し、一貫性と行動可能な洞察の両方を生成するプリオリ機能グループ戦略を導入することで、従来のアプローチの欠点に対処する。 SWaTデータセットで実施された実験では、ShaTSが臨界時刻を正確に識別し、センサ、アクチュエータ、異常の影響を正確に特定し、説明可能性と資源効率の両方の観点からSHAPを上回り、産業環境のリアルタイム要件を満たすことが示されている。

関連論文リスト

• SDOoop: Capturing Periodical Patterns and Out-of-phase Anomalies in Streaming Data Analysis [45.79830400562905]
  本稿では、SDOのストリーミングバージョンを拡張して、データ構造の時間的情報を保持するSDOoopを提案する。 SDOoopは、従来のアルゴリズムでは検出できないコンテキスト異常を特定し、データジオメトリ、クラスタ、時間パターンの検査を可能にする。 我々は,侵入検出や自然科学領域のデータを用いてSDOoopを評価し,最先端の手法と同等あるいは優れている性能を得た。
  論文  参考訳（メタデータ） (2024-09-04T12:10:57Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• An Automated Machine Learning Approach for Detecting Anomalous Peak Patterns in Time Series Data from a Research Watershed in the Northeastern United States Critical Zone [3.1747517745997014]
  本稿では,米国北東部臨界水域におけるセンサによる時系列データの異常検出を支援する機械学習フレームワークを提案する。 このフレームワークは特に、センサーの故障や自然現象から生じるピークパターンの異常を識別することに焦点を当てている。
  論文  参考訳（メタデータ） (2023-09-14T19:07:50Z)
• Latent Representation and Simulation of Markov Processes via Time-Lagged Information Bottleneck [11.998105609001913]
  複雑なシステムを単純化された表現空間にマッピングし、時間内に大きなジャンプをモデル化する推論プロセスを導入する。 実験により,T-IBは情報最適表現を学習し,選択した時間ラグで元のプロセスの統計特性と力学を正確にモデル化することを示した。
  論文  参考訳（メタデータ） (2023-09-13T15:59:14Z)
• Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs [51.98400002538092]
  本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。 モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
  論文  参考訳（メタデータ） (2023-08-25T15:25:57Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Spatiotemporal convolutional network for time-series prediction and causal inference [21.895413699349966]
  時系列のマルチステップ予測を効率的に正確にレンダリングするために、ニューラルネットワークコンピューティングフレームワークi.N.N.を開発した。 このフレームワークは、人工知能(AI)や機械学習分野の実践的応用において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-07-03T06:20:43Z)

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。