测量异常与机制异常的根因分析
机器学习
2026-05-12 v2
摘要
异常的根因分析旨在识别样本如何以及为何偏离正常过程。现有方法主要关注于确定哪些特征负有责任，忽略了异常可能通过两种根本不同的过程产生：测量误差，即样本生成正常但一个或多个值被错误记录；以及机制偏移，即生成样本的因果过程发生了改变。测量误差通常可以安全地纠正，而机制异常则需要仔细考虑。在本文中，我们正式定义了一个因果模型，该模型通过将异常值视为对潜在（“真实”）变量和观测（“测量”）变量的潜在干预，明确捕获了这两种类型，并展示了在何种条件下可以区分两者。基于该模型，我们开发了一种高效的推理程序，用于定位根因并区分异常类型。在合成数据和真实世界数据上的实验表明，我们的方法在根因定位和异常类型分类方面均提供了最先进且高度鲁棒的性能。
引用
@article{arxiv.2601.23026,
title = {Root Cause Analysis of Measurement and Mechanistic Anomalies},
author = {Hendrik Suhr and David Kaltenpoth and Jilles Vreeken},
journal= {arXiv preprint arXiv:2601.23026},
year = {2026}
}