基于反事实推理的多变量时间序列异常归因
机器学习
2021-09-15 v1 计算机视觉与模式识别
机器学习
摘要
时间序列异常检测方法众多，但这仅是理解异常的第一步。我们力求超越检测，对异常作出解释。为此，我们提出了一种依赖反事实推理的多变量时间序列异常归因新方案。我们旨在回答如下反事实问题：若相关变量子集的分布更接近于异常区间之外的数据分布，该异常事件是否仍会发生。具体而言，我们使用最大发散区间（MDI）算法检测异常区间，在检测到的区间内用变量的分布内取值替换其中若干变量，并通过 MDI 重新评分以观察该区间的异常程度是否降低。我们在多变量时间数据与时空数据上评估了该方法，并证实其对多个已被充分认知的极端气候事件（如热浪与飓风）的异常归因是准确的。
引用
@article{arxiv.2109.06562,
title = {Anomaly Attribution of Multivariate Time Series using Counterfactual Reasoning},
author = {Violeta Teodora Trifunov and Maha Shadaydeh and Björn Barz and Joachim Denzler},
journal= {arXiv preprint arXiv:2109.06562},
year = {2021}
}
备注
ICMLA 2021