AAAIDec, 2023

噪声机制下异常值的根本原因解释

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 通过基于分数的生成模型进行网络异常检测

    本文提出了一种基于评分模型的方法来解决属性图中节点异常检测的问题，并在小规模图上取得了有竞争力的结果。对 Dirichlet 能量进行了实证分析，表明生成模型可能难以准确重构它。

    Jun, 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

    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。

    Mar, 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

  • 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

  • 混合加性噪声模型的因果推断与机制聚类

    本文提出一种基于混合模型的 Additive Noise Model (ANM)，并且通过 Gaussian Process Partially Observable Model (GPPOM) 加入独立性约束，可用于根据混合模型的生成机制进行因果推断和聚类。

    Sep, 2018

  • 神经网络稳健可解释性的因果分析

    本文提出了一种基于因果分析的鲁棒性干预方法，以捕获神经网络内部的因果机制，从而审核模型行为，获得更加稳定和可信的解释，该方法适用于图像分类等任务。

    May, 2023

  • 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

  • iSCAN：非线性加性噪声模型中的因果机制转移识别

    本文研究如何在不确定模型图结构的情况下，通过识别函数机制变化来比较两个或多个相关结构因果模型。我们提出使用非线性加性噪声模型对各模型进行建模，并证明了使用混合分布的分数函数的雅可比矩阵可以用于识别非参数函数机制中的变化。在确认变化的因素后，我们进一步使用其他方法来估计变化的结构差异，以此来帮助理解在不同环境下各个变量的差异。

    Jun, 2023