给定含环无环概要因果图的时间序列集体异常根因识别
人工智能
2023-10-17 v2 机器学习
摘要
本文提出一种在给定观测时间序列与一幅无环概要因果图(该图刻画了动态系统在正常状态下存在的因果关系的抽象)时，识别集体异常根因的方法。文章首先展示了如何利用 d-分离对相关异常进行分组，从而将根因识别问题划分为多个独立的子问题。进一步，展示了在此设定下，部分根因可直接由图及异常出现时间得出。最后，展示了其余根因可通过比较正常与异常状态下的直接效应来发现。为此，引入了用于识别直接效应的调整集。在模拟与真实世界数据集上开展的广泛实验证明了所提方法的有效性。
引用
@article{arxiv.2303.04038,
title = {Root Cause Identification for Collective Anomalies in Time Series given an Acyclic Summary Causal Graph with Loops},
author = {Charles K. Assaad and Imad Ez-zejjari and Lei Zan},
journal= {arXiv preprint arXiv:2303.04038},
year = {2023}
}
备注
Proceedings of the 26th International Conference on Artificial Intelligence and Statistics (AISTATS) 2023, Valencia, Spain