Root Cause Identification for Collective Anomalies in Time Series given an Acyclic Summary Causal Graph with Loops
EasyVista;Univ Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院)
本文提出一种方法,利用无环摘要因果图,通过d-分离分解问题、直接图推断及比较正常与异常状态下的直接效应,来识别时间序列中集体异常的根因,并经实验验证其有效性。
2023-10-13 cs.AI cs.LG
DACRI: Decision-Aware Causal Intervention Ranking for Critical Supply Chains
Independent Researcher(独立研究者)
该研究提出CriticalSCM-Bench v1基准,对比LambdaMART与恒定缓冲策略等,明确自适应干预排名在关键供应链场景的适用范围及模型复杂度的价值边界。
2026-11-03 cs.LG
Causal Disentanglement Learning for Accurate Anomaly Detection in Multivariate Time Series
Dong-A University(东阿大学)
提出CDRL4AD方法,通过时间异构图和解耦潜在变量显式推断多变量时间序列不同时间段的因果关系,在准确率和根因分析上优于现有方法。
2025-10-13 cs.AI cs.LG
Identifiability of Causal-based Fairness Notions: A State of the Art
Inria(法国国家信息与自动化研究所);École Polytechnique(巴黎综合理工学院);IPP(巴黎理工学院)
机器学习算法可能会产生有偏见的结果/预测,通常针对少数群体和代表性不足的子群体。因此,公平性正在成为基于机器学习的技术的大规模应用的重要要求。最常用的公平概念(例如统计奇偶性,均衡赔率,预测奇偶性等)是观察性的,仅仅依赖于变量之间的相关性。这些概念无法识别统计异常情况下的偏差,如辛普森悖论或伯克森悖论。基于偏见的公平概念(例如,反事实公平、无代理歧视等)不受这种异常的影响,因此更可靠地评估公平性。然而,基于因果关系的公平概念的问题在于,它们是根据并不总是可测量的数量(例如因果、反事实和特定路径效应)来定义的。这被称为可识别性问题,是因果推理文献中大量工作的主题。本文是一个汇编的主要可识别性的结果,特别是相关的机器学习公平性。使用大量的例子和因果关系图的结果进行说明。本文将特别感兴趣的公平研究人员,从业者和政策制定者谁正在考虑使用的cafecurity为基础的公平概念,因为它总结和说明了主要的可识别性的结果
2022-06-07 cs.LG
Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series
University of Verona(维罗纳大学)
本文提出一种基于时间序列因果发现的网络物理系统在线无监督异常检测方法,通过学习正常因果图并评估实时数据中因果链接的持久性,不仅提升了训练效率和准确率,还实现了异常源的可解释识别。
2024-07-28 cs.LG cs.SY eess.SY
Counterfactual Cross-Validation: Stable Model Selection Procedure for Causal Inference Models
Tokyo Institute of Technology(东京工业大学);CyberAgent, Inc(CyAgent公司)
研究条件平均处理效应(CATE)预测中的模型选择问题。与以前的作品在这个主题上,我们专注于保持候选CATE预测的性能的排名顺序,使准确和稳定的模型选择。为此,我们分析了模型性能排名问题,并制定准则,以获得更好的评价指标。然后,我们提出了一种新的度量,可以识别CATE预测器的性能具有高置信度的排名。实证评估表明,我们的度量优于现有的度量在模型选择和超参数调整任务。
2020-07-16 cs.LG stat.ML
A Unified Causal Inference Framework for the Desirability of Outcome Ranking Paradigm in Benefit-Risk Evaluation
The George Washington University(乔治·华盛顿大学);The Biostatistics Center, The George Washington University(乔治·华盛顿大学生物统计中心);AbbVie Inc.(艾伯维公司)
本研究提出统一协变量调整因果推断框架,用于估计DOOR概率,通过模拟比较多种方法后发现CVTMLE-SL在DOOR相关指标上整体性能最优,并结合多重耐药菌网络数据验证方法。
2026-08-07 cs.LG stat.ME stat.ML
CausalTAD: Injecting Causal Knowledge into Large Language Models for Tabular Anomaly Detection
College of Computer Science and Electronic Engineering, Hunan University, China(计算机科学与电子工程学院,湖南大学)
CausalTAD通过注入因果知识提升表格异常检测性能,采用因果关系重构与加权策略,实验表明优于现有方法。
2026-02-08 cs.AI cs.LG
Unbiased Learning for the Causal Effect of Recommendation
Fuji Xerox(富士施乐)
增加用户的积极互动,如购买或点击,是推荐系统的一个重要目标。推荐通常旨在选择用户将与之交互的项目。如果购买了推荐的商品,预计销售额会增加。然而,即使没有推荐,这些物品也可以购买。因此,我们希望推荐那些因推荐而导致购买的商品。这可以被公式化为因果效应的排序问题。尽管它的重要性,这个问题还没有得到很好的探讨,在相关的研究。这是具有挑战性的,因为因果效应的基础事实是不可观察的,并且估计因果效应容易受到当前部署的随机变量产生的偏差的影响。本文提出了一个无偏的学习框架的因果关系的建议。基于逆倾向评分技术,所提出的框架首先构造无偏估计的排名指标。然后,它进行经验风险最小化的估计与倾向封顶,减少了有限的训练样本下的方差。基于该框架,我们开发了一个无偏学习方法的因果效应扩展的排名度量。我们从理论上分析了所提出的方法的无偏性和经验证明,所提出的方法优于其他有偏学习方法在各种设置。
2020-09-23 cs.IR cs.LG stat.ML
Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions
Georgia Institute of Technology(佐治亚理工学院);Microsoft Research India(微软印度研究院);Microsoft(微软);Microsoft Research AI(微软人工智能研究院)
对于许多类型的干预,如新广告,营销干预或功能推荐,重要的是要针对特定的人群子集,以最小的成本或潜在的伤害最大化其利益。然而,一个关键的挑战是,由于尚未部署这种前瞻性干预措施,因此没有关于其效果的数据。在这项工作中,我们提出了一个分裂治疗分析,排名个人最有可能受到积极影响的前瞻性干预使用过去的观察数据。与标准的因果推断方法不同,分割处理方法不需要对目标处理本身进行任何观察。相反,它依赖于由目标治疗引起的代理治疗的观察。在合理的假设下,我们证明了基于替代治疗的异质性因果效应的排序与基于目标治疗效应的排序是相同的。在没有任何用于交叉验证的干预性数据的情况下,分割治疗使用敏感性分析对未观察到的混杂因素进行选择模型参数。我们将分割处理应用于模拟数据和大规模的现实目标任务,并通过后者的随机实验验证我们发现的排名。
2020-11-11 cs.LG stat.ME
On Discrimination Discovery and Removal in Ranked Data using Causal Graph
University of Arkansas(阿肯色大学)
从历史数据中学习的预测模型被广泛用于帮助公司和组织做出决策。然而,他们可能会在数字上不公平地对待不受欢迎的群体,引发对公平和歧视的担忧。本文研究了基于公平性的排序问题,旨在发现排序数据中的差异性,并重建公平的排序。现有的公平意识排名方法主要是基于统计平等,不能衡量真正的歧视性影响,因为歧视是因果关系。另一方面,现有的基于分类器的反歧视学习方法集中在分类问题上,不能直接应用于处理排名数据。为了解决这些限制,我们建议将排名位置映射到一个连续的分数变量,代表候选人的资格。然后,我们建立一个因果图,由离散的个人资料属性和连续的分数。路径特异性效应技术扩展到混合变量因果图,以确定直接和间接歧视。从理论上分析了排序数据的路径特异性效应与二元决策的路径特异性效应之间的关系。最后,算法发现和消除歧视的排名数据集。使用真实数据集的实验表明,我们的方法的有效性。
2018-03-05 cs.AI cs.CY cs.LG
Rank-Learner: Orthogonal Ranking of Treatment Effects
Ghent University - imec(根特大学 - imec);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心 (MCML))
提出一种名为Rank-Learner的两阶段学习器,通过成对学习目标直接学习治疗效果排序,无需显式估计条件平均处理效应,具有Neyman正交性和模型无关性。
2026-05-26 cs.LG
Survey on Causal-based Machine Learning Fairness Notions
INRIA(法国国家信息与自动化研究所);École Polytechnique(巴黎综合理工学院);IPP(巴黎理工学院)
解决公平性问题对于安全地使用机器学习算法来支持对人们生活产生关键影响的决策至关重要,例如招聘,虐待儿童,疾病诊断,贷款发放等。然而,最新的公平概念是基于因果关系的,反映了现在广泛接受的观点,即使用因果关系是适当解决公平问题的必要条件。本文研究了一个详尽的清单,基于cabinet的公平概念,并研究其在现实世界中的应用场景。由于大多数基于因果关系的公平性概念是根据不可观察的量来定义的(例如,干预措施和反事实),在实践中部署它们需要使用观测数据来计算或估计这些数量。本文提供了一个全面的报告,不同的方法来推断因果量的观测数据,包括可识别性(珍珠的SCM框架)和估计(潜在的结果框架)。这份调查报告的主要贡献是(1)一个指导方针,以帮助选择一个合适的公平概念给定一个特定的现实世界的情况下,(2)根据珍珠的因果关系阶梯的公平概念的排名,表明它是多么困难,在实践中部署每个概念。
2022-06-07 cs.LG
Causal-Transformer with Adaptive Mutation-Locking for Early Prediction of Acute Kidney Injury
School of Electrical and Information Engineering, Tianjin University(天津大学电气与信息工程学院);Department of Nephrology, TEDA Hospital, Tianjin University(天津大学TEDA医院肾内科);Tianjin Medical University General Hospital(天津医科大学总医院);Department of Nephrology, First Teaching Hospital of Tianjin University of Traditional Chinese Medicine(天津中医药大学第一教学医院肾内科)
本文提出CT-Former,结合连续时间建模与因果变换器,通过自适应突变锁定机制解决数据不规则和模型黑箱问题,提升急性肾损伤早期预测的临床可信度。
2026-04-22 cs.LG
Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM Research(IBM研究院);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);Amazon Sustainability Science and Innovation(亚马逊可持续性科学与创新部门)
本文提出细粒度因果模型 TBN Granger Causality 和深度生成模型 TacSas,以生成方式发现时空变量间的细粒度因果关系,用于提升气候时间序列预测和异常检测性能,并在 Lorenz-96、ERA5 和 NOAA 极端天气基准上验证了有效性。
2024-08-08 cs.LG
Causal Synthetic Data Generation in Recruitment
University of Pisa, Italy(意大利比萨大学)
本文提出了一种基于因果生成模型的合成数据生成方法,用于生成招聘领域中具有因果关系的合成数据,以提升推荐算法的公平性和可解释性。
2025-11-20 cs.LG stat.ME
Data-driven root-cause analysis for distributed system anomalies
Iowa State University(爱荷华州立大学)
现代分布式网络物理系统遇到了各种各样的异常,在许多情况下,由于子系统之间的强连接性,它们很容易受到灾难性故障传播的影响。在这方面,由于复杂的故障传播机制与不同的操作模式相结合,根本原因分析变得非常棘手。本文提出了一个新的数据驱动的框架,解决这些问题的根本原因分析。该框架是基于一个时空特征提取计划的分布式网络物理系统建立在符号动力学的概念,发现和表示因果关系的复杂系统的子系统之间的相互作用。我们提出了两种根本原因分析方法,即顺序状态切换($S^3$,基于受限玻尔兹曼机(RBM)的自由能概念)和人工异常关联($A^3$,使用深度神经网络(DNN)的多类分类框架)。通过对故障模式和异常节点的合成数据进行仿真,验证了所提方法的有效性,并与基于向量自回归(VAR)模型的根本原因分析方法进行了比较。基于田纳西伊士曼过程(TEP)的真实数据集也用于验证。结果表明:(1)$S^3$和$A^3$方法可以在根本原因分析中获得高精度,并成功地处理多种标称操作模式,以及(2)所提出的工具链被证明是可扩展的,同时保持高精度。
2018-05-31 cs.LG
Kunlun Anomaly Troubleshooter: Enabling Kernel-Level Anomaly Detection and Causal Reasoning for Large Model Distributed Inference
Alibaba Group(阿里巴巴集团)
本文提出首个面向大模型分布式推理的异常排查框架KAT,利用GPU函数跟踪数据实现纳秒级核级异常检测,并结合领域适配LLM进行因果推理,在生产环境中取得高精确率与召回率,显著提升排查效率。
2025-11-08 cs.AI cs.DC cs.LG
On Identifying Anomalies in Tor Usage with Applications in Detecting Internet Censorship
University of Oxford(牛津大学)
我们开发了一种方法来检测Tor匿名通信网络的日常使用指标中正在进行的每个国家的异常,并证明了这种技术的适用性,以确定可能的互联网审查和相关事件的时期。所提出的方法确定连续的异常期间,而不是每天的峰值或下降,并允许异常根据预期行为的偏差进行排名。所开发的方法作为一个运行的工具,每天发布的邮件列表的输出。该列表突出了每个国家的异常Tor使用情况,并根据检测到的异常行为水平对国家进行每日排名。该列表自2016年8月以来一直处于活跃状态,并被许多个人、学者和非政府组织用作潜在审查事件的预警系统。我们专注于Tor,然而,所提出的方法更普遍地适用于其他服务的使用数据,无论是单独的还是组合的。我们证明,结合多个数据源可以更具体地识别可能的Tor阻塞事件。我们展示了我们的方法相比,现有的异常检测工具,并对已知的历史互联网审查事件和合成数据集。最后,我们详细介绍了我们的工具识别的一些重要的近期异常事件和行为。
2018-04-12 cs.CY cs.LG cs.NI
Modelling Major Disease Outbreaks in the 21st Century: A Causal Approach
Pune Institute of Computer Technology(浦那计算机技术学院)
旨在模拟全球事件动态的流行病学家在确定与疾病爆发等异常现象相关的因素方面面临着重大挑战。在本文中,我们提出了一种新的方法来确定最重要的发展部门敏感的疾病暴发,使用全球发展指标作为标记。我们使用统计方法来评估这些指标与疾病爆发之间的因果关系,并找到最常排名的指标。除了统计分析之外,我们还使用数据插补技术将原始的真实数据集转换为有意义的数据进行因果推断。应用各种算法检测指标之间的因果联系是本研究的主题。尽管各国政府政策的差异导致了因果关系的差异,但一些指标已成为对21世纪世界各地疾病爆发敏感的重要决定因素。
2021-09-17 cs.LG stat.AP
Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series
University of California, Berkeley(加州大学伯克利分校)
本文提出了一种基于聚类的因果混合器,用于多变量时间序列的在线异常检测,通过聚类处理通道间的相关性,结合因果混合器保持时间因果性,并开发了序列异常评分方法以提高检测准确性。
2026-06-04 cs.LG stat.ML
Causal Modeling in Multi-Context Systems: Distinguishing Multiple Context-Specific Causal Graphs which Account for Observational Support
German Aerospace Center (DLR)(德国航空航天中心);Technische Universität Dresden(德累斯顿工业大学);Technische Universität Berlin(柏林工业大学)
本文研究多上下文下观测支持差异对因果图可辨识性的影响,提出在SCM中精细化建模CSI的框架,以区分并解释特定上下文因果结构变化。
2024-10-27 cs.LG math.ST stat.TH
A Bayesian Approach for Inferring Local Causal Structure in Gene Regulatory Networks
Radboud University(拉德堡德大学)
基因调控网络在控制生物体的生物学过程中起着至关重要的作用,这就是为什么人们对开发能够从高通量遗传数据中提取其结构的计算方法感兴趣。一个典型的方法是对协方差结构进行一系列条件独立性检验,以逐步减少可能的因果模型的空间。我们提出了一种新的有效的贝叶斯方法发现(正态分布)变量的三元组之间的局部因果关系。在我们的方法中,我们在协方差阵中的模式进行一次性评分,我们将现有的背景知识的形式先验的因果结构。我们的方法是灵活的,因为它允许不同类型的因果结构和假设。我们应用的方法来推断基因调控网络的任务,通过学习基因表达水平之间的调控关系。我们表明,我们的算法产生稳定和保守的后验概率估计局部因果结构,可用于获得最有意义的监管关系的诚实排名。我们证明了我们的方法在模拟数据和酵母实验的真实数据上的稳定性和有效性。
2018-09-18 cs.LG q-bio.MN stat.ML
Anomaly detecting and ranking of the cloud computing platform by multi-view learning
Liaoning Normal University(辽宁师范大学)
异常检测作为云计算中的一项重要技术,用于支持云平台的平稳运行。传统的基于统计、分析等的检测方法由于参数设置的非适应性和敏感性,导致虚警率高。提出了一种基于机器学习理论的在线异常检测模型。然而,现有的大多数基于机器学习的方法都是将不同子系统的所有特征直接连接成一个长的特征向量,既难以充分利用子系统间的互补信息,又忽略了多视角特征对分类性能的提升。针对这一问题,该方法自动融合多视角特征,并优化判别模型,以提高准确率。该模型利用极限学习机(ELM)提高检测效率。ELM是一种单隐层神经网络,它将迭代求解输出权值转化为求解线性方程组,避免了局部最优解。然后根据样本与分类边界的关系对异常进行排序,并为排序后的异常分配权重,最后对分类模型进行再训练。该方法充分利用了子系统间的互补信息,避免了不平衡数据集的影响,从而能够应对云计算平台带来的各种挑战。我们通过Openstack部署私有云平台,验证了所提出的模型,并将结果与最先进的方法进行比较,具有更好的效率和简单性。
2019-01-27 cs.LG stat.ML
Case Studies of Causal Discovery from IT Monitoring Time Series
EasyVista(EasyVista公司);Univ Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院);École Normale Supérieure de Lyon(里昂高等师范学院)
本文通过案例研究探讨了因果发现算法在IT监控时间序列数据上的应用,展示了其在减少停机和异常定位方面的益处,并指出了数据复杂性带来的持续挑战。
2023-07-28 cs.AI cs.LG stat.AP
Causal AI For AMS Circuit Design: Interpretable Parameter Effects Analysis
University of Florida(佛罗里达大学)
本文提出基于因果推理的框架,通过SPICE仿真数据构建DAG并估算ATE,实现参数影响的可解释性分析,验证了因果AI在AMS设计中的高精度和可解释性。
2026-03-24 cs.AI cs.AR cs.LG
Learning to Detect Interesting Anomalies
University of Geneva(日内瓦大学);University Hospital RWTH Aachen(亚琛工业大学附属医院);African Institute for Mathematical Sciences(非洲数学科学研究所);University of Cape Town(开普敦大学);South African Astronomical Observatory(南非天文台)
提出 AHUNT 方法,结合深度学习与主动学习动态改进数据特征以高效检测异常,在多数据集上表现优异,并能根据用户兴趣个性化排名异常类,忽略无趣离群点。
2022-10-28 astro-ph.IM cs.AI cs.LG
Large-Scale Local Causal Inference of Gene Regulatory Relationships
Radboud University(拉德堡德大学)
基因调控网络在控制生物体的生物学过程中起着至关重要的作用,这就是为什么人们对开发能够从高通量遗传数据中提取其结构的计算方法感兴趣。这些计算方法中的许多被设计成从基因表达的数据推断基因之间的个体调控关系。我们提出了一种新的有效的贝叶斯方法发现当地的因果关系三胞胎(正态分布)变量。在我们的方法中,我们对每个三元组的协方差结构进行一次性评分,并以先验的形式结合可用的背景知识,以获得局部因果结构的后验概率。我们的方法是灵活的,因为它允许不同类型的因果结构和假设。我们应用我们的方法来学习基因之间的因果调控关系的任务。我们表明,该算法产生稳定和保守的后验概率估计局部因果结构,可用于获得一个诚实的排名最有意义的监管关系。我们证明了我们的方法在模拟数据和酵母实验的真实数据上的稳定性和有效性。
2019-09-10 cs.LG q-bio.GN q-bio.MN
Ranking-Enhanced Anomaly Detection Using Active Learning-Assisted Attention Adversarial Dual AutoEncoders
New York University(纽约大学);NYUAD, Division of Science(纽约大学亚当分校,科学学院);The University of Edinburgh(爱丁堡大学);School of Informatics(信息学院)
本文提出一种结合主动学习和注意力对抗双自编码器的异常检测方法,通过减少标注成本提升检测精度,适用于APT检测的不平衡数据集。
2025-11-25 cs.AI cs.CR cs.LG