## Memo - OpenReview: [A Causal Approach to Detecting Multivariate Time-series Anomalies and Root Causes | OpenReview](https://openreview.net/forum?id=f25VGPzATcn) - iICLR'23 - > ノイズの多いデータから因果グラフを学習することは完璧ではない。因果グラフのエラーは異常検知性能に影響しないことを実験で実証している。実験は重要だが、すべてを語るものではない。したがって、なぜそのようなことが起こるのかを説明するために、役に立つ洞察や分析を加えることができればいいだろう。加えて、なぜこの手法がベースライン手法と比較して高いパフォーマンスを達成できたのか、数値実験を除いては明らかではない。根本原因の検出に関する実験を改善するのも良いだろう。 ## Memo with LLM ## Abstract 多変量時系列における異常とそれに対応する根本原因の検出は、ITシステム運用や製造業など、様々な実世界システムの挙動を監視する上で重要な役割を果たす。 これまでの異常検知アプローチは、多変量時系列の根本的なメカニズムを考慮することなく結合分布をモデル化するため、計算量が多く、根本原因の特定が困難である。 本論文では、因果関係の観点から異常検出問題を定式化し、異常を、多変量データを生成する通常の因果メカニズムに従わないインスタンスとみなす。 そして、異常と根本原因を検出するための因果関係に基づくフレームワークを提案する。 まずデータから因果構造を学習し、次にデータから条件分布を直接推定できる局所的な因果メカニズムに対して、あるインスタンスが異常であるかどうかを推論する。 因果システムのモジュール性（異なる変数を生成する因果過程は無関係なモジュールである）を考慮し、元の問題を一連の独立した、より単純で低次元の異常検出問題に分割することで、異常が起こる場所（根本原因）を直接特定できるようにする。 我々は、シミュレートされたデータセットと公開されたデータセットの両方と、実世界の[[AIOps]]アプリケーションのケーススタディを使用して、我々のアプローチを評価し、その有効性、頑健性、実用的な実現可能性を示す。