論文の概要: Causal explanations of outliers in systems with lagged time-dependencies

• arxiv url: http://arxiv.org/abs/2602.04667v1
• Date: Wed, 04 Feb 2026 15:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.595261
• Title: Causal explanations of outliers in systems with lagged time-dependencies
• Title（参考訳）: タグ付き時間依存性を持つシステムにおける異常値の因果説明
• Authors: Philipp Alexander Schwarz, Johannes Oberpriller, Sven Klaassen,
• Abstract要約: 本研究では,Budhathoki et al.[2022]の因果根起因解析法を一般時間依存システムに適用する。 時間依存システムに存在する無限依存グラフを扱うための2つのトランケーション手法について論じる。
• 参考スコア（独自算出の注目度）: 1.0222232174788846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Root-cause analysis in controlled time dependent systems poses a major challenge in applications. Especially energy systems are difficult to handle as they exhibit instantaneous as well as delayed effects and if equipped with storage, do have a memory. In this paper we adapt the causal root-cause analysis method of Budhathoki et al. [2022] to general time-dependent systems, as it can be regarded as a strictly causal definition of the term "root-cause". Particularly, we discuss two truncation approaches to handle the infinite dependency graphs present in time-dependent systems. While one leaves the causal mechanisms intact, the other approximates the mechanisms at the start nodes. The effectiveness of the different approaches is benchmarked using a challenging data generation process inspired by a problem in factory energy management: the avoidance of peaks in the power consumption. We show that given enough lags our extension is able to localize the root-causes in the feature and time domain. Further the effect of mechanism approximation is discussed.
• Abstract（参考訳）: 制御時間依存システムにおける根本原因分析は、アプリケーションにおいて大きな課題となる。 特にエネルギーシステムは、遅延効果とともに瞬時に現れるため処理が困難であり、記憶装置が備わっていればメモリを持つことになる。 本稿では,Budhathoki et al [2022] の因果根起因解析法を一般の時間依存システムに適用する。 特に、時間依存システムに存在する無限依存グラフを扱うための2つのトランケーション手法について論じる。 一方は因果機構をそのまま残すが、他方は開始ノードの機構を近似する。 異なるアプローチの有効性は、工場のエネルギー管理における問題、すなわち電力消費におけるピークの回避にインスパイアされた、挑戦的なデータ生成プロセスを用いてベンチマークされる。 十分な遅延があれば、拡張機能は機能と時間領域の根本原因をローカライズすることができます。 さらに, 機構近似の効果について考察した。

関連論文リスト

• Contractivity of time-dependent driven-dissipative systems [0.0]
  固定散逸器(環境との相互作用を記述する)を持つリンドブラディアンの収縮度を時間依存駆動ハミルトニアンを用いて検討する。 明示的な例とともに、十分に小さく、あるいは十分に遅いドライブの限界において指数的収縮性を確立する。 我々は、ハミルトニアンとは独立に指数的収縮性を示唆する固定散逸子に対して、多くの十分な条件を提供する。
  論文  参考訳（メタデータ） (2026-02-17T22:44:51Z)
• UnCLe: Towards Scalable Dynamic Causal Discovery in Non-linear Temporal Systems [4.9593603893289115]
  スケーラブルな動的因果探索のための新しい深層学習手法UnCLeを提案する。 UnCLeはUncouplerとRecouplerの2つのネットワークを使って、入力時系列を意味表現に分解する。 時間的摂動によって引き起こされるデータポイントワイズ予測誤差を解析することにより、動的因果影響を推定する。
  論文  参考訳（メタデータ） (2025-11-05T04:34:31Z)
• Counterfactual-based Root Cause Analysis for Dynamical Systems [0.33748750222488655]
  本稿では,残留ニューラルネットワークを用いた根本原因同定手法を提案する。 構造方程式と外的影響に介入した場合に、より多くの根本原因が同定されることを示す。 本稿では,提案手法が実世界の河川データセットだけでなく,ベンチマーク・ダイナミック・システムにも有効であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T11:38:13Z)
• 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)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Root Cause Explanation of Outliers under Noisy Mechanisms [50.59446568076628]
  因果過程は、しばしばグラフとしてモデル化され、エンティティはノードであり、パス/インターコネクションはエッジである。 既存の作業は、生成プロセスにおけるノードの寄与のみを考慮している。 根本原因を特定する際,各メカニズムの個々のエッジとノードについて検討する。
  論文  参考訳（メタデータ） (2023-12-19T03:24:26Z)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• Hierarchical Graph Neural Networks for Causal Discovery and Root Cause Localization [52.72490784720227]
  REASONはTopological Causal DiscoveryとPersonal Causal Discoveryで構成されている。 Topological Causal Discoveryコンポーネントは、根本原因を辿るために断層伝播をモデル化することを目的としている。 個々の因果発見コンポーネントは、単一のシステムエンティティの突然の変化パターンのキャプチャに重点を置いている。
  論文  参考訳（メタデータ） (2023-02-03T20:17:45Z)
• Detecting and Ranking Causal Anomalies in End-to-End Complex System [10.02817768857185]
  エンドツーエンドシステム(RCAE2E)におけるランク付け因果異常(Ring Causal Anomalies)というフレームワークを提案する。 これらの問題に基づいて、エンド・ツー・エンド・システム(RCAE2E)におけるランク付け因果異常(Ring Causal Anomalies)と呼ばれるフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-18T03:09:28Z)

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。