論文の概要: CAAD: Causality-Aware Multivariate Time Series Anomaly Detection via Multi-Scale Alignment and Structural Causal Consistency
- arxiv url: http://arxiv.org/abs/2607.08555v1
- Date: Thu, 09 Jul 2026 14:46:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.570569
- Title: CAAD: Causality-Aware Multivariate Time Series Anomaly Detection via Multi-Scale Alignment and Structural Causal Consistency
- Title（参考訳）: CAAD:マルチスケールアライメントと構造因果一貫性による因果性を考慮した多変量時系列異常検出
- Abstract要約: 本稿では,Granger因果関係の連続的検証として異常検出を再構成する新しいフレームワークを提案する。
提案するフレームワークは,システムダイナミクスの内部化にマルチスケールアライメントを利用する。
実世界の産業データセットの実験では、CAADが高精度な異常検出を実現することが示されている。
- 参考スコア（独自算出の注目度）: 9.032903163326027
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The operational integrity of complex industrial systems relies on precise anomaly detection and diagnosis. The vast majority of existing methods narrowly focus on capturing temporal similarities of representations, often overlooking the disruption of internal causal relationships, which characterizes system failures and latent anomalies. In this paper, we propose a novel framework (CAAD) that reframes anomaly detection as the continuous verification of Granger causality consistency through exogenous variables. Specifically, the CAAD framework models exogenous time-series variables as residuals, identifying anomalies as significant deviations caused by external interventions. The proposed framework leverages multi-scale alignment to internalize system dynamics and utilizes a gradient-based matrix to monitor internal causal relationship breakdowns. By quantifying causal deviations of both dynamic evolution and relational topology, the CAAD is able to capture subtle causal shifts to achieve precise anomaly detection. Extensive experiments on real-world industrial datasets demonstrate that the CAAD achieves high-precision anomaly detection, outperforming most state-of-the-art baselines.
- Abstract（参考訳）: 複雑な産業システムの運用上の整合性は、正確な異常検出と診断に依存している。
既存の手法の大半は、システム障害と潜伏異常を特徴づける内部因果関係の破壊を見越して、表現の時間的類似性を捉えることに焦点を絞っている。
本稿では,異種変数によるGranger因果一貫性の連続的検証として,異常検出を再構成する新しいフレームワーク(CAAD)を提案する。
具体的には、CAADフレームワークは外因性時系列変数を残留物としてモデル化し、異常を外部介入による顕著な偏差として同定する。
提案フレームワークはマルチスケールアライメントを利用してシステムダイナミクスを内部化し,勾配に基づく行列を用いて内部因果関係の分解をモニタリングする。
動的進化と関係トポロジーの両方の因果偏差を定量化することにより、CAADは微妙な因果シフトを捉え、正確な異常検出を行うことができる。
実世界の産業データセットに関する大規模な実験は、CAADが高精度な異常検出を達成し、最先端のベースラインよりも優れていることを示した。
関連論文リスト
- Robust Fault Detection in Mechanical Multimodal Time Series via Self-Supervised Cross-Modal Reconstruction [13.337672748422444]
異種時系列センサデータの相互再構成に基づくマルチモーダル異常検出フレームワークを提案する。
それぞれのモダリティを個別にモデル化するのではなく、各モダリティを他のモダリティから再構築することでシステム力学を学ぶ。
これは、明示的な時間的アライメントや同一サンプリングレートを必要とせずに、センシングチャネル間で情報を統合する。
論文 参考訳（メタデータ） (2026-09-14T20:24:53Z) - Causal Discovery with Inverted Self-attention for Multivariate Time Series [21.018583540683917]
本稿では,トランスアーキテクチャ内の自己認識機構を利用して因果発見を行う新しいフレームワークを提案する。
本手法は,トークンを反転させ,注意点の疎結合を誘導することにより,潜伏因果関係と間接因果関係を強調する。
また、グローバル因果関係を同定するグローバル因果関係アルゴリズムを開発し、因果関係の総合的指標を提供する。
論文 参考訳（メタデータ） (2026-07-30T13:49:46Z) - Towards Anomaly Detection on Relational Data [51.473064583839296]
属性とリレーショナルエッジの両方から異常を捕捉する再構成に基づくフレームワークを提案する。
RelADは競争効率を保ちながら、他のベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-06-17T02:36:32Z) - Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。
ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。
実験により,提案手法が最先端検出性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-20T09:24:28Z) - Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。
この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
論文 参考訳（メタデータ） (2026-04-14T19:32:55Z) - 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) - Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。
我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。
実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2023-11-02T17:26:49Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in
IIoT Systems [12.641578474466646]
DyEdgeGATは、IIoTシステムにおける早期故障検出の新しいアプローチである。
動作条件コンテキストをノードダイナミックスモデリングに組み込んで、その正確性と堅牢性を高める。
我々は,DyEdgeGATを人工データセットと実世界の産業規模フロー施設ベンチマークの両方を用いて厳格に評価した。
論文 参考訳（メタデータ） (2023-07-07T12:22:16Z) - 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) - 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)
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。