Mar, 2023

给定带环无向汇总因果图的时间序列集体异常根本原因识别

PDF
TL;DR这篇论文提出了一种通过观察时间序列和一个描述正常状态下动态系统中因果关系的无环摘要因果图来识别集体异常的根本原因的方法，并利用 d 分离将问题分解到多个独立子问题中，并介绍了如何通过比较正常状态下的直接因果效应和异常状态下的直接因果效应来找到其余的根本原因。
root cause identificationobservational time seriescausal graphanomaliesdynamic system
发现论文，激发创造
  • 一种检测多元时间序列异常和根本原因的因果方法

    本文从因果关系的角度出发，将异常检测问题视为不遵循正常因果机制来生成多变量数据的实例，并提出了一种基于因果关系的框架来检测异常和根本原因。

    Jun, 2022

  • 使用时间状态对齐在异常时间序列中进行根本原因检测

    提出了一种基于时间序列波动模式分析的方法，以定位分布式软件系统中异常的根本原因，并在 Zillows 的点击流数据上进行了验证。

    Jan, 2020

  • 缺失结构知识的异常值根本原因分析

    通过使用结构因果模型中的因果反事实的定量贡献分析，最近的工作对异常情况的根本原因分析进行了概念化。本文提出了简化、高效的根本原因分析方法，用于识别唯一的根本原因而非定量贡献分析的任务。对于未知因果有向无环图的应用场景，我们将异常得分最高的变量作为根本原因进行启发式验证。

    Jun, 2024

  • 从观测数据中快速检测根本原因，并应用于 IT 系统

    引入了一种新的针对阈值性 IT 系统的结构因果模型，并提出了一种新的算法，用于快速检测此类系统中异常的根本原因，方法基于离线数据进行因果性发现，通过代理的干预提出了扩展来放宽根因非因果相关的假设，对于在线数据中的新异常，则利用子图遍历，实验证明了该方法的卓越性能。

    Feb, 2024

  • 面向在线无监督根因分析的增量因果图学习

    本文提出一种名为 CORAL 的在线根本原因分析框架，结合多元奇异谱分析和累积和统计学的方法，实现了系统实时状态的自动检测和更新原因分析模型，进而定位根本原因。实验表明，该框架在三个真实世界数据集的案例研究中表现出更高的准确性和优越性。

    May, 2023

  • 基于反事実的动态系统根本原因分析

    通过使用残差神经网络对动态因果系统进行建模，并得出相应的反事实轨迹分布，我们解决了现有因果方法在确定根本原因时的问题，该方法对静态环境有限且注重导致故障的外部影响，而非结构影响。我们提出的方法在动态系统基准和真实世界河流数据集上具有有效性。

    Jun, 2024

  • 基于时序因果发现的可解释在线无监督异常检测方法研究

    利用因果发现学习系统的正常因果图，通过实时传感器数据的因果连接持久性评估来及时检测异常。在两个基准异常检测数据集上，我们的方法具有更高的训练效率，超越了最先进神经网络架构的准确性，并准确地识别了 10 种以上不同的异常。

    Apr, 2024

  • 噪声机制下异常值的根本原因解释

    通过考虑每个机制的个体边缘和节点，引入了噪声功能因果模型来确定异常的根本原因，并采用贝叶斯学习和推断方法来推测节点和边缘的噪声，最后提出了一种高效的基于梯度的归因方法来计算异常归因分数，此方法在模拟数据集和两个真实场景数据集上表现出更好的异常归因性能。

    Dec, 2023

  • 从观测时间序列推断扩展摘要因果图

    研究使用信息理论度量方法，在因果发现框架中使用 PC 和 FCI 算法构建基于任意延迟或瞬时关系的扩展摘要因果图，并通过模拟和真实数据集进行实验验证。

    May, 2022

  • 层次图神经网络用于因果发现和根因定位

    该论文提出了一种名为 REASON 的框架，用于自动发现根本原因局部层次（即网络内部）和全局层次（即跨网络）的因果关系，通过建立一个基于图神经网络的因果网络来追踪系统错误的根本原因，并使用极值理论估计每个实体成为根本原因的概率。实验证明，该框架能有效定位系统错误的根本原因。

    Feb, 2023