Jul, 2023

IT 监控时间序列的因果发现案例研究

PDF
TL;DR使用因果发现算法对不同的信息技术监控数据集进行案例研究，突出了优势和挑战。
information technology systemsit monitoringcausal discovery algorithmstime series datadata analysis
发现论文，激发创造
  • 复杂工业系统中的因果发现：一个时序基准

    通过从专家知识构建的因果图，我们提供了一个测试平台，用于从复杂系统的时间序列观测中进行因果推断，我们相信这可以为因果推断方法的发展提供帮助。

    Oct, 2023

  • 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

  • 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

  • 针对时态和非时态数据的因果发现方法调查

    本研究介绍了因果发现中常用的术语，讨论了用于不同场景中识别因果边的方法，还探讨了用于评估因果发现算法性能的基准数据集、现有工具和常用指标。最后，我们总结了因果发现中存在的常见挑战，并讨论了因果发现在多个领域的应用。

    Mar, 2023

  • 基于约束模型和 PMIME 度量的时间序列因果发现

    本文介绍了一种新的方法来发现多元时间序列数据中的因果关系，该方法结合因果发现算法和基于信息论的度量，可以推断线性和非线性关系以及构建潜在的因果图。我们在几个模拟数据集上评估了我们的方法的性能，并展示了有希望的结果。

    May, 2023

  • 事件序列数据的视觉因果分析

    本文介绍了一种用于从事件序列数据中恢复因果关系的可视化分析方法，它已将 Hawkes 过程的 Granger 因果分析算法扩展到包括用户反馈的因果模型细化，并具有一组新颖的可视化和交互。通过一系列的定量和定性评估以不同的应用领域中的案例研究来展示这一系统的实用性。

    Sep, 2020

  • LLM 在干预数据的时间域因果推断中的增强

    提出了一种能在工业场景中发现时间因果关系的 RealTCD 框架，通过遮蔽和正则化的策略，采用基于得分的时间因果发现方法，无需依赖干预目标进行根本原因分析，并结合大型语言模型和领域知识来提取系统中隐藏的文本信息中的元知识，以提高发现质量。在模拟和真实数据集上进行了大量实验证明了 RealTCD 框架相对于现有基准的优越性。

    Apr, 2024

  • 检测大规模非线性时间序列数据中的因果关系

    提出了一种结合线性或非线性条件独立性检验与因果发现算法的方法，可以从大规模时间序列数据集中重构因果网络，从而在气候科学或神经科学等研究领域中识别因果关系。

    Feb, 2017

  • 因果发现综述：理论与实践

    本文介绍因果推断、因果发现、因果图、算法和真实世界应用，并探讨最近一致性观点对现有算法的概述、有用的工具和数据，以及为什么和如何可以成功利用这些方法。

    May, 2023

  • 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