噪声机制下异常值的根因解释

识别因果过程中异常的根因在各个学科中都至关重要。一旦识别，就可以隔离根因并采取必要措施以恢复正常运行。因果过程通常被建模为图，其中实体作为节点，其路径/互连作为边。现有工作仅考虑生成过程中节点的贡献，因此如果异常发生在连接中，则无法将异常值分数归因于机制的边。在本文中，我们在识别根因时同时考虑每个机制的单独边和节点。为此，我们引入了一个噪声函数因果模型。然后，我们采用贝叶斯学习和推断方法来推断节点和边的噪声。接着，我们将目标异常叶节点的函数形式表示为节点和边噪声的函数。最后，我们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，其随节点和边数量线性扩展。在模拟数据集和两个真实场景数据集上的实验表明，与基线相比，所提出的方法具有更好的异常归因性能。我们的方法可扩展到具有更多节点和边的更大图。