論文の概要: Causal Disentanglement Learning for Accurate Anomaly Detection in Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2510.11084v1
• Date: Mon, 13 Oct 2025 07:26:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.241426
• Title: Causal Disentanglement Learning for Accurate Anomaly Detection in Multivariate Time Series
• Title（参考訳）: 多変量時系列における高精度異常検出のための因果解離学習
• Authors: Wonah Kim, Jeonghyeon Park, Dongsan Jun, Jungkyu Han, Sejin Chun,
• Abstract要約: 本稿では,異常検出のための因果解離表現学習(CDRL4AD)を提案する。 まず、因果過程をモデル入力、時間的異質グラフ、因果関係として設計する。 第2に,異なる期間における因果関係を識別し,対応する因果関係を推定するために潜伏変数をアンタングルする。
• 参考スコア（独自算出の注目度）: 0.2348805691644085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disentangling complex causal relationships is important for accurate detection of anomalies. In multivariate time series analysis, dynamic interactions among data variables over time complicate the interpretation of causal relationships. Traditional approaches assume statistical independence between variables in unsupervised settings, whereas recent methods capture feature correlations through graph representation learning. However, their representations fail to explicitly infer the causal relationships over different time periods. To solve the problem, we propose Causally Disentangled Representation Learning for Anomaly Detection (CDRL4AD) to detect anomalies and identify their causal relationships in multivariate time series. First, we design the causal process as model input, the temporal heterogeneous graph, and causal relationships. Second, our representation identifies causal relationships over different time periods and disentangles latent variables to infer the corresponding causal factors. Third, our experiments on real-world datasets demonstrate that CDRL4AD outperforms state-of-the-art methods in terms of accuracy and root cause analysis. Fourth, our model analysis validates hyperparameter sensitivity and the time complexity of CDRL4AD. Last, we conduct a case study to show how our approach assists human experts in diagnosing the root causes of anomalies.
• Abstract（参考訳）: 複雑な因果関係を遠ざけることは、異常の正確な検出に重要である。 多変量時系列解析では、時間とともにデータ変数間の動的相互作用は因果関係の解釈を複雑にする。 従来の手法では、教師なしの設定における変数間の統計的独立性を前提としていたが、最近の手法ではグラフ表現学習を通じて特徴相関を捉えている。 しかし、それらの表現は、異なる期間における因果関係を明示的に推測することができない。 そこで本研究では,異常検出のための因果関係を多変量時系列で識別するCausally Disentangled Representation Learning for Anomaly Detection (CDRL4AD)を提案する。 まず、因果過程をモデル入力、時間的異質グラフ、因果関係として設計する。 第2に,各期間の因果関係を識別し,対応する因果関係を推定するために潜伏変数をアンタングルする。 第3に、実世界のデータセットに関する我々の実験は、CDRL4ADが精度と根本原因分析の点で最先端の手法より優れていることを示した。 第4に、我々のモデル解析は、CDRL4ADの過パラメータ感度と時間複雑さを検証した。 最後に、私たちのアプローチが、異常の根本原因の診断において、人間の専門家にどのように役立つかを示すケーススタディを実施します。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• 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)
• 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)
• Path Signature Area-Based Causal Discovery in Coupled Time Series [0.0]
  本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。 このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
  論文  参考訳（メタデータ） (2021-10-23T19:57:22Z)
• 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)
• Neural Additive Vector Autoregression Models for Causal Discovery in Time Series [1.160208922584163]
  本稿では,非線型関係を発見できる因果構造学習へのニューラルアプローチを提案する。 時系列の時間進化から(付加的な)グランガー因果関係を抽出するディープニューラルネットワークを訓練する。 この手法は、因果探索のための様々なベンチマークデータセットに対して最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-10-19T12:44:25Z)

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。