统一可解释异常检测与动力系统根因分析
机器学习
2025-07-18 v3 机器学习
摘要
动力系统广泛存在于各种科学和工程领域，对其异常情况敏感，可显著影响其性能和可靠性。本文针对由常微分方程（ODE）建模的动力系统中的异常检测、根因定位和异常类型分类挑战展开工作。我们定义两种异常类别：网络异常（cyber anomalies），其通过相互关联的变量传播；测量异常（measurement anomalies），其局限于单个变量。为应对这些挑战，我们提出可解释因果ODE网络（Interpretable Causality ODE, IODE） Networks，一种内置可解释学习框架。IODEx利用Neural ODEs进行异常检测，同时通过解释通道进行因果推断，以执行根因分析（RCA），阐明为何特定时段被标记为异常。我们假设异常会改变系统的底层ODE，表现为变量之间因果关系的变化。我们对所学习模型参数的扰动进行理论分析，以识别时间序列数据中的异常及其根因。全面的实验评估表明，IODEx在各种动力系统中均显示出有效性能，展示了其准确检测异常、分类异常类型并精确定位其来源的能力。
关键词
引用
@article{arxiv.2502.12086,
title = {Unifying Explainable Anomaly Detection and Root Cause Analysis in Dynamical Systems},
author = {Yue Sun and Rick S. Blum and Parv Venkitasubramaniam},
journal= {arXiv preprint arXiv:2502.12086},
year = {2025}
}
备注
Accepted by the AAAI-25 Workshop on Artificial Intelligence for Cyber Security (AICS)