論文の概要: Causal Characterization of Measurement and Mechanistic Anomalies

• arxiv url: http://arxiv.org/abs/2601.23026v1
• Date: Fri, 30 Jan 2026 14:36:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.500689
• Title: Causal Characterization of Measurement and Mechanistic Anomalies
• Title（参考訳）: 測定・機械異常の因果解析
• Authors: Hendrik Suhr, David Kaltenpoth, Jilles Vreeken,
• Abstract要約: 異常は基本的に異なる2つのプロセスによって生じうることを示す。 測定誤差は、しばしば安全に修正されるが、機械的異常は慎重に考慮する必要がある。 我々は、両方の型を明示的にキャプチャする因果モデルを定義し、潜伏変数である「真」変数と「測定された」変数に対する潜伏介入として外乱を扱います。
• 参考スコア（独自算出の注目度）: 34.67784777106841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Root cause analysis of anomalies aims to identify those features that cause the deviation from the normal process. Existing methods ignore, however, that anomalies can arise through two fundamentally different processes: measurement errors, where data was generated normally but one or more values were recorded incorrectly, and mechanism shifts, where the causal process generating the data changed. While measurement errors can often be safely corrected, mechanistic anomalies require careful consideration. We define a causal model that explicitly captures both types by treating outliers as latent interventions on latent ("true") and observed ("measured") variables. We show that they are identifiable, and propose a maximum likelihood estimation approach to put this to practice. Experiments show that our method matches state-of-the-art performance in root cause localization, while it additionally enables accurate classification of anomaly types, and remains robust even when the causal DAG is unknown.
• Abstract（参考訳）: ルート原因分析は、正常なプロセスから逸脱する特徴を特定することを目的としている。 しかし、既存の手法では、異常は2つの根本的に異なるプロセスによって生じる可能性があることを無視している: 測定誤差、データは通常生成されるが、1つ以上の値が誤って記録された場合、そして、データを生成する因果過程が変化した場合、メカニズムシフトである。 測定誤差はしばしば安全に修正されるが、機械的異常は慎重に考慮する必要がある。 我々は,潜伏変数の潜伏介入としてオブザーバーを扱い,両方の型を明示的にキャプチャする因果モデルを定義した。 そこで本研究では,それらが同定可能であることを示し,これを実践するための最大推定手法を提案する。 実験の結果,本手法は根の局所化における最先端性能と一致し,さらに異常型の正確な分類が可能であり,因果DAGが不明な場合でも頑健であることがわかった。

関連論文リスト

• Dealing with Uncertainty in Contextual Anomaly Detection [14.492457340456737]
  コンテキスト異常検出(CAD)は、コンテキスト変数のセットに条件付けされたターゲット(振る舞い)変数の異常を識別することを目的としている。 そこで本研究では,アレータ性およびてんかん性不確実性の両方を明示的にモデル化したCADのための新しいフレームワークである正規性スコア(NS)を提案する。 NSは検出精度と解釈可能性の両方において最先端CAD法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-06T18:02:11Z)
• xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models [1.6713531923053913]
  この研究は意味的異常検出のギャップに対処し、通常、異常の性質を説明することなく、異常の発生を示す。 我々はxSemADを提案する。xSemADは、シーケンス・ツー・シーケンス・モデルを用いて、純粋な識別を超越し、拡張された説明を提供するアプローチである。 実験により,本手法は既存の意味的異常検出手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-28T09:06:52Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Identifiable causal inference with noisy treatment and no side information [6.432072145009342]
  本研究では,不正確な連続処理変数を仮定するモデルを提案する。 我々は,提案モデルの因果効果の推定値が,側情報や測定誤差の分散に関する知識がなくても同定可能であることを証明した。 我々の研究は、信頼できる因果推論を行うアプリケーションの範囲を広げている。
  論文  参考訳（メタデータ） (2023-06-18T18:38:10Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
  潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。 本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
  論文  参考訳（メタデータ） (2023-05-09T09:08:39Z)
• 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)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)

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。