基于反事実的动态系统根本原因分析
通过VCEI框架，在单个观测设置中对双变量系统进行因果发现，基于因果和机制的独立性原则，人为构造两个设置，通过核最大平均偏差将人为干预转化为一个凸优化问题，通过一系列实验表明VCEI方法是一种有竞争力的因果发现方法。
Nov, 2022
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
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
该论文旨在通过使用神经网络将反事实推理重新构建为扩展的分位数回归问题，依据已学习的定性因果结构和观测数据进行可靠的反事实推理，而不需要给定因果模型甚至直接估计条件分布，并且该方法比现有方法在统计上更有效，同时也有可能将所估计的反事实结果的泛化能力扩展到看不见的数据，并提供泛化误差的上限界限。实验结果在多个数据集上强烈支持我们的理论 claims。
Jun, 2023
通过非线性动力学和时间序列数据，本文利用经验动力学建模（EDM）探索动态系统内变量之间的因果关系检测。通过重构动态系统的演化状态，可以有效地建模这些系统，从而提取变量X引起变量Y的因果信息。本研究强调了相关性和因果关系之间的辩证关系，指出相关性并不等同于因果关系，缺乏相关性也不一定表示缺乏因果关系。
Dec, 2023
本研究提出了一种统一的多模态因果结构学习方法Mulna，通过一个定制的语言模型来学习日志表示，将日志序列转化为时间序列数据，并采用基于对比学习的方法提取多模态中不变和特定于模态的表示。此外，引入了一种考虑关键性能指标的注意机制来评估模态可靠性，并共同学习最终的因果图。最后，通过随机游走重启来模拟系统故障传播并识别潜在的根本原因。对三个真实世界数据集的广泛实验证实了我们提出的框架的有效性。
Feb, 2024
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
研究揭示了部分观测中未观测混淆因素和异质性的问题，并提出了一种在部分观测数据下探索可靠根本原因的新的根本原因分析问题。通过利用放大的基于分数的因果发现方法来有效优化无未观测混淆因素的有向混合图，并开发了一种异质性感知的调度策略以提供自适应样本权重。对一个合成数据集和两个真实世界数据集进行广泛的实验结果表明了所提出框架的有效性和优越性。
Jul, 2024
该研究论文描述了一种用于工业多变量时间序列环境的反事实根本原因分析诊断方法的开发。它将注意力集中在即将发生故障的时间点上，此时异常行为首次被观察到，并假设此时可以找到根本原因，以防问题继续蔓延。论文介绍了解决方案的基本概念，并在模拟环境中进行了实验。最后，它讨论了为了满足日益复杂的工业环境中的稳健性挑战，因果技术成熟度的改进途径。
Jul, 2024