論文の概要: Power Interpretable Causal ODE Networks: A Unified Model for Explainable Anomaly Detection and Root Cause Analysis in Power Systems

• arxiv url: http://arxiv.org/abs/2602.12592v1
• Date: Fri, 13 Feb 2026 04:06:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.840533
• Title: Power Interpretable Causal ODE Networks: A Unified Model for Explainable Anomaly Detection and Root Cause Analysis in Power Systems
• Title（参考訳）: Power Interpretable Causal ODE Networks: 電力系統における説明可能な異常検出とルート原因解析のための統一モデル
• Authors: Yue Sun, Likai Wang, Rick S. Blum, Parv Venkitasubramaniam,
• Abstract要約: 異常検出と根本原因解析は、電力網などのサイバー物理システムの安全性とレジリエンスを確保するために重要である。 時系列異常検出のための既存の機械学習モデルはしばしばブラックボックスとして動作し、説明なしにバイナリ出力のみを提供する。 本稿では,PICODE(Power Interpretable Causality Ordinary Differential Equation)ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 19.991719849017503
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Anomaly detection and root cause analysis (RCA) are critical for ensuring the safety and resilience of cyber-physical systems such as power grids. However, existing machine learning models for time series anomaly detection often operate as black boxes, offering only binary outputs without any explanation, such as identifying anomaly type and origin. To address this challenge, we propose Power Interpretable Causality Ordinary Differential Equation (PICODE) Networks, a unified, causality-informed architecture that jointly performs anomaly detection along with the explanation why it is detected as an anomaly, including root cause localization, anomaly type classification, and anomaly shape characterization. Experimental results in power systems demonstrate that PICODE achieves competitive detection performance while offering improved interpretability and reduced reliance on labeled data or external causal graphs. We provide theoretical results demonstrating the alignment between the shape of anomaly functions and the changes in the weights of the extracted causal graphs.
• Abstract（参考訳）: 電力網などのサイバー物理システムの安全性とレジリエンスを確保するためには,異常検出と根本原因解析(RCA)が重要である。 しかしながら、時系列異常検出のための既存の機械学習モデルは、しばしばブラックボックスとして動作し、異常タイプや起源を特定するなど、説明なしにバイナリ出力のみを提供する。 この課題に対処するため、我々は、根本原因の局在化、異常型分類、異常形状評価を含む異常として検出される理由を説明するとともに、異常検出を共同で行う統一型因果形アーキテクチャであるPower Interpretable Causality Ordinary Differential Equation (PICODE) Networksを提案する。 電力系統における実験結果から,PICODEは解釈性の向上とラベル付きデータや外部因果グラフへの依存の低減を実現し,競合検出性能を向上することが示された。 本稿では, 異常関数の形状と抽出した因果グラフの重み変化との整合性を示す理論的結果を提案する。

関連論文リスト

• Unifying Explainable Anomaly Detection and Root Cause Analysis in Dynamical Systems [24.640375297580288]
  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。
  論文  参考訳（メタデータ） (2025-02-17T18:01:07Z)
• 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)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• 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)

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。